本文以某厂300吨LF炉钢包精炼炉生产工艺为研究背景，采用参考炉次法和人工智能的方法，建立LF炉终点成分和温度预测模型。模型使用VisualC++6.0作为软件开发工具，MicrosoftAccess2003数据库系统编制出了应用软件，软件具有数据库维护、BP神经网络训练、即时终点成分和温度预测、合金加入量预测等功能。 在建立终点成分预测过程中，采用了参考炉次法平均计算收得率，对各元素的收得率进行计算，采用50炉数据对模型的预测精度进行验证，对于主要元素的预测与实际数据比较，计算误差较小，达到了现场的精度要求。对于C元素的预测值与实际值相比较，误差在±0.01％的占总炉次的96％，对于Si元素的预测值与实际值相比较误差在±0.04％的占总炉次的98％，对于Mn元素的预测值与实际值相比较误差在±0.06％的占总炉次的98％，其它元素的预测值也比较精确，能够减少取样次数，从而间接地缩短冶炼时间，降低能耗，优化冶炼操作。同时，操作人员也可根据现场需要，输入所要添加的合金种类和数量，模型可以根据参考炉次得到的合金收得率，提前预测出钢水成分，对现场的操作有一定的指导意义。 建立终点温度预测模型过程中，将整个钢包体系作为一个系统研究LF炉能量平衡关系，分析出影响LF炉钢水温度的主要因素为：通电时间、通电量、非通电时间、初始温度、钢包状态、合金及渣料吸放热量、氩气吹入量8个主要因素作为网络的输入量，将终点温度作为网络输出量。实际系统运行表明，这些因素作为输入量预测终点温度完全可行，并达到了精度要求。预测误差在±5℃之内的炉次占总炉数的80％，±7℃之内的炉次占90％。 本模型还具有待冶炼炉次的合计加入量计算功能，根据钢水的初始成分和钢种的冶炼标准，可以给出比较精确的合金加入量，有利于控制成分，从而节省合金加入量，节约开支。