在冶金行业中,硫元素对大多数的钢种都是一种有害元素,它会影响钢材的高强度,低温韧性和焊接性能,所以必须严格控制钢中硫元素的含量。目前国内的铁水脱硫技术比较落后,大多以人的经验来控制冶炼过程,这样导致脱硫粉剂消耗大,经济效益也不理想,难以达到自动化炼钢要求。随着社会发展,冶金工业对钢铁质量的要求越来越高,依靠经验控制冶炼过程的方式已经无法适应生产工艺的革新。为了实现精炼脱硫工艺过程自动化,快节奏,高效率的生产需求。本文建立了机理模型、BP神经网络模型、RBF神经网络模型、混合模型对LF精炼终点硫含量进行了预报仿真研究,为LF炉精炼脱硫提供有效的技术支持。本文以钢厂实际生产数据为依据,建立LF炉精炼终点硫含量预报模型,并对模型进行了仿真实验,分析实验结果,总结模型优缺点,确定最优预报模型。主要工作如下:首先采集某钢厂的实际生产数据库,对现场实际数据进行预处理,选出合适的样本数据。一部分作为训练样本数据,一部分作为预测样本数据,并对数据进行归一化处理。通过对钢厂精炼脱硫工艺的过程和脱硫基本原理进行深刻了解,从脱硫反应的热力学原理和动力学原理分析确定一些脱硫机理有关参数模型,确定影响脱硫效果的主要因素。并建立LF炉精炼终点硫含量预报的机理模型。然后针对机理预报模型存在的问题和不足,本文采用了神经网络模型进行硫含量预报。通过分析对比BP,RBF神经网络预报模型的预测结果,可以知道RBF神经网络预报模型从预测速度和效果都优于BP神经网络预报模型。所以本文建立了由RBF神经网络模型和机理模型结合的混合模型,从理论上优于单一神经网络模型。本文采用C#和MATLAB语言运用样本数据对各个预报模型进行了仿真验证,通过分析实验过程和预测结果可知混合预报模型预测速度较快,预测准确率在90%以上,而其他模型预测准确率在70%以下。得出混合模型可以为LF炉精炼脱硫生产实际提供技术支持。