对转炉炼钢一次倒炉的准确预报有助于提高转炉终点控制能力、缩短冶炼周期、降低冶炼成本、提高钢水质量,实现转炉工序以及全厂生产计划、调度的标准化操作。本文旨在将BP神经网络和遗传算法进行有机结合,以寻求更好的转炉炼钢一次倒炉预测的准动态控制模型,研究工作在理论和实际应用方面都具有重要的意义。首先分析了转炉控制技术与终点控制现状,介绍了BP神经网络的原理和算法,针对BP神经网络容易陷入局部最优与“过拟合”等问题,采用了引入验证样本的改进BP神经网络学习算法,以及引入验证样本的改进BP-GA混合学习算法。对BP神经网络以及遗传算法的各种组合算法的对比数值试验表明:引入验证样本的学习算法能有效地改善神经网络模型的泛化能力;基于BP-GA混合学习算法的人工神经网络预测模型在预测命中率和学习效率等方面具有较好的性能。通过分析转炉炼钢工艺特点、自动化现状及终点影响因素,在检测手段受限的情况下,以提高中小型转炉一次倒炉的熔池成分和温度命中率、减少倒炉次数、实现标准化操作、提高转炉控制水平为目标,根据历史数据分钢种在冶炼过程的不同时刻建立初始加入的铁水和半钢温度、成分和重量、吹炼模式、供氧模式、原料和辅料加入模式与一次倒炉熔池成分、温度以及一次倒炉时间之间的关系,在吹炼过程中依据冶炼初始条件和当前冶炼进度定时对一次倒炉熔池成分、温度和一次倒炉时间做出适时预测。在此基础上,用所建立的模型对攀钢提钒炼钢厂不同转炉、不同钢种类别的一次倒炉[C]、温度和一次倒炉时间进行了离线检验。实例研究结果表明:在预测精度为一次倒炉温度T≤15℃、一次倒炉碳含量C≤0.02%、一次倒炉时间t≤1 min的情况下,一次倒炉碳、温度同时命中率和一次倒炉时间一致率对1#转炉以Stb32为主的一系列钢的平均值达到了43.0%和80.1%,对3#转炉以U75V为主的一系列钢的平均值达到了45.4%和79.1%。若以对应钢种冶炼的工艺标准对模型测试结果进行评判时,其命中率均优于同期人工一次倒炉合格率。