线性自回归神经网络等，可以在利用数据的同时实现工艺过程预测与判断。 (1)转炉终点预测 由于原料成分的波动，吹炼参数及辅料加入有差异，造成转炉治炼终点难以稳定控制，因此建 立预测模型对实际生产具有重要指导意义。利用已有物料信息和实时操作数据，建立终点预测模型， 有针对性地调整工艺，可实现对终点成分的控制。传统的BP模型存在收敛速度慢和容易陷入局部 极小值的问题，李长荣、艾立群等分别利用优化算法改进BP神经网络，以石灰量、铁水量、铁水温 度、萤石量、铁水碳含量、铁水磷含量、吹氧量等为评价参数对转炉终点磷含量进行了预测，误差值 为士0.008%时，命中率可达93.33%4,2。He等提出了一种基于主成分分析和BP神经网络对BOF终 点磷含量进行预测的深度学习模型，利用主成分分析减少影响因素维数，用结果表明， 预测误差 在±0.007%、±0.005%和±0.004%以内时，终点磷含量命中率分别为96.6个93.33%和86.67%2。高 放等提出了基于FA-ELM(因子分析法-超限学习机)的转炉终点磷预测模型， 较传统BP神经网络 模型具有更高的准确性和更强的泛化能力P。铉明涛等利用FOAX果蝇算法)优化后的GRNN(广 义回归神经网络)预报转炉终点碳和温度，使模型具有精 训练简单，计算时间短等优点， 更加适合反应速度快、数据量巨大的转炉治炼过程。祁 怡等采用k-均值聚类算法确定隐藏层中心， 最小二乘法调整RBF神经网络的权值，解决了RB经网络隐含层节点的个数及异类样本距离阈 值难以确定的问题，提升了终点预报精度24 张辉宜利用AP(近邻传播聚类算法)对RBF 神经网络进行训练，大幅提高了Q235B终点预测命中率3o。Wag等通过结合GA(遗传算法)与 BP神经网络的优点，建立了GA-BP神经网络组合模型用于转炉终点锰含量预测，预测误差在 ±0.03%和±0.025%以内时，命中率分别为90%和84%。 (2)电炉终点预测 电炉炼钢相较于转炉炼 过程废钢比更高，对于入炉原料把控显得更为重要，由于废钢成分的 差异性，造成电炉终点碳具有不稳定性。电炉熔池中发生的化学反应与加料、送电等操作间存在强耦 合作用，通过对操作过程进行有效学习，调整模型参数，可实现高命中率终点预报。刘志明等选择 电耗、氧耗、生铁量、废钢量、碳粉量、天然气耗量、石灰量和上一炉留在电弧炉内的C、P元素的质量 分数9个影响因素作为模型的输入，采用BP神经网络建立了终点碳预测模型，误差值为士0.004%时， 命中率可达94%。马戎等对100吨电弧炉建立RBF神经网络模型预测钢水主要成分，并与BP神 经网络对比发现该模型具有收敛速度快，可避免陷入局部极值的特点。刘锟等构建了网络结构简 单，训练量小的增量神经网络，以废钢、铁水、装料制度、通电时间、吨钢氧耗和电耗作为输入特征， 对电弧炉治炼终点的温度、碳和磷含量误差值为±10℃、0.02%和±0.004%时，命中率分别为 93%、75%和86%34。线性自回归神经网络等，可以在利用数据的同时实现工艺过程预测与判断。 （1）转炉终点预测 由于原料成分的波动，吹炼参数及辅料加入有差异，造成转炉冶炼终点难以稳定控制，因此建 立预测模型对实际生产具有重要指导意义。利用已有物料信息和实时操作数据，建立终点预测模型， 有针对性地调整工艺，可实现对终点成分的控制。传统的 BP 模型存在收敛速度慢和容易陷入局部 极小值的问题，李长荣、艾立群等分别利用优化算法改进 BP 神经网络，以石灰量、铁水量、铁水温 度、萤石量、铁水碳含量、铁水磷含量、吹氧量等为评价参数对转炉终点磷含量进行了预测，误差值 为±0.008%时，命中率可达 93.33%[24, 25]。He 等提出了一种基于主成分分析和 BP 神经网络对 BOF 终 点磷含量进行预测的深度学习模型，利用主成分分析减少影响因素维数，应用结果表明，预测误差 在±0.007%、±0.005%和±0.004%以内时，终点磷含量命中率分别为 96.67%、93.33%和 86.67%[26]。高 放等提出了基于 FA-ELM（因子分析法-超限学习机）的转炉终点磷预测模型，较传统 BP 神经网络 模型具有更高的准确性和更强的泛化能力[27]。铉明涛等利用 FOA（果蝇算法）优化后的 GRNN（广 义回归神经网络）预报转炉终点碳和温度，使模型具有精度高，训练简单，计算时间短等优点[28]， 更加适合反应速度快、数据量巨大的转炉冶炼过程。祁子怡等采用 k-均值聚类算法确定隐藏层中心， 最小二乘法调整 RBF 神经网络的权值，解决了 RBF 神经网络隐含层节点的个数及异类样本距离阈 值难以确定的问题，提升了终点预报精度[29]。同样，张辉宜利用 AP（近邻传播聚类算法）对 RBF 神经网络进行训练，大幅提高了 Q235B 终点预测命中率[30]。Wang 等通过结合 GA（遗传算法）与 BP 神经网络的优点，建立了 GA-BP 神经网络组合模型用于转炉终点锰含量预测，预测误差在 ±0.03%和±0.025%以内时，命中率分别为 90%和 84%[31]。 （2）电炉终点预测 电炉炼钢相较于转炉炼钢过程废钢比更高，对于入炉原料把控显得更为重要，由于废钢成分的 差异性，造成电炉终点碳具有不稳定性。电炉熔池中发生的化学反应与加料、送电等操作间存在强耦 合作用，通过对操作过程进行有效学习，调整模型参数，可实现高命中率终点预报。 刘志明等选择 电耗、氧耗、生铁量、废钢量、碳粉量、天然气耗量、石灰量和上一炉留在电弧炉内的 C、P 元素的质量 分数 9 个影响因素作为模型的输入，采用 BP 神经网络建立了终点碳预测模型，误差值为±0.004%时， 命中率可达 94%[32]。马戎等对 100 吨电弧炉建立 RBF 神经网络模型预测钢水主要成分，并与 BP 神 经网络对比发现该模型具有收敛速度快，可避免陷入局部极值的特点[33]。刘锟等构建了网络结构简 单，训练量小的增量神经网络，以废钢、铁水、装料制度、通电时间、吨钢氧耗和电耗作为输入特征， 对电弧炉冶炼终点的温度、碳和磷含量误差值为±10℃、±0.02%和±0.004%时，命中率分别为 93%、75%和 86%[34]。 录用稿件，非最终出版稿