对于大多数钢种，硫是一种有害元素，容易造成“热脆”，从而影响钢材的加工性能和使用性能。现在工业日新月异的发展，对钢铁质量提出了更高的要求，如何降低铁水中硫含量，生产更优质的钢材，成为目前冶炼的重要环节之一。目前攀钢铁水预脱硫过程中，脱硫剂用量及喷吹参数等主要依靠人工经验进行控制操作，生产效率低，且不利于控制终点硫含量。在实际生产过程中为了保证脱硫后续工序的顺利进行，操作员通常会采用多加脱硫剂的方式以保证脱硫效果，这样造成了脱硫剂耗量的增加，大大增加了成本，降低了钢铁企业的生产效益；另一方面，出于操作者水平的差异，不同操作员对当时生产过程的判断各有差异，也会对脱硫效率造成一定的偏差，难以保证脱硫操作的稳定性，严重时会造成脱硫结果不达标。本文通过建立铁水预脱硫预报模型准确预报脱硫过程需要的关键参数，以达到稳定脱硫过程的目的，为攀钢自动脱硫提供技术支撑。本文以攀钢提钒炼钢厂铁水预脱硫过程为研究对象，通过分析攀钢铁水预脱硫过程工艺特点，采用改进BP算法，应用Visual C++高级编程语言建立了基于神经网络的铁水预脱硫预报模型，包括脱硫剂用量预报模型和喷吹参数计算模型。考虑到攀钢所使用脱硫剂及脱硫工艺不稳定，可能会在将来某一时间发生变化，这对模型的适应性提出了更高的要求，为了保证工艺条件突变之后的模型精度，建立了反馈补偿模型和在线学习训练模型作为脱硫剂用量预报模型的补充。反馈补偿模型在工艺条件突变初期启动用来修正脱硫剂预报用量，当工艺条件突变之后累积够一定量的生产数据，则采用在线学习训练模型重新训练模型网络参数，以确保模型的预报精度。本文所建立的脱硫剂用量预报模型中输入参数为：铁水重量、脱前硫含量、目标硫含量，神经网络结构为3*8*1。为了减少脱硫剂用量，提高模型预报精度，分别采用两种方式对模型进行了改进：①结合攀钢现场实际生产情况，采用经验模型的形式在模型预报脱硫剂用量基础上进行修正。此方法操作简单，容易快速实现。②将铁水硅含量作为神经网络结构输入层的一个节点纳入模型之中，并根据测试结果对模型的网络结构和网络参数做对应的优化，改进之后的脱硫预报模型神经网络结构为4*9*1。改进模型经现场应用试验结果表明：当铁水Si含量高于0.2%时，使用模型的目标硫命中率为98.8%，镁复合脱硫剂单耗降低了0.4kg/t铁水。2011年11月和2012年10月在攀钢脱硫生产现场进行了铁水预脱硫预报模型的在线应用试验，试验结果表明：使用铁水预脱硫预报模型后，目标硫命中率达到了98%，基本能够满足现场生产对终点硫含量的控制要求；与攀钢原有脱硫剂操作规程相比，镁复合和复合脱硫单耗分别下降了0.7kg/t和1kg/t铁水。这不仅为攀钢实现自动化脱硫奠定了基础，同时也降低了脱硫成本，有利于提高生产效率。