作为煅烧活性石灰的主要设备之一的回转窑在我国有着广泛的用途。而且随着有色冶金工业和建材行业的蓬勃发展,对回转窑的需求越来越多。煅烧带温度是回转窑能否优质、高产、低消耗地生产熟料的关键因素,用传统方法对其进行控制很难达到理想的效果,因此研究回转窑煅烧温度的控制有很大的意义。预测控制是从生产实践中发展起来的实用控制算法,可以克服受控对象建模误差和结构、参数与环境不确定性因素的影响,具有较好的控制效果。模糊神经网络可以作为万能逼近器,可以以任意精度逼近非线性系统,而且其学习能力较强,在很多领域中得到成功应用。基于以上所述,本文对回转窑煅烧温度的模糊神经网络预测控制进行了研究。首先,本文介绍了回转窑石灰煅烧的工艺流程,选择了回转窑煅烧温度作为控制对象,通过调整煤气流量来对回转窑煅烧温度进行控制。其次,针对回转窑大惯性、大滞后、多干扰、时变等特性,用模糊神经网络建立了回转窑煅烧温度的一步预测模型。采用了一种模糊神经网络,用混合学习算法对其进行训练,并且用一种穷举的方法对时滞进行了辨识。然后,在阐述预测控制的基本原理的基础上,对基于智能预测模型的预测控制方法进行了分析。在这个基础上,用模糊神经网络一步模型推导出一种递推型模糊神经网络预测模型。采用一种参考控制向量滚动优化策略对回转窑煅烧温度进行控制,这种方法采用一系列QP问题求解最优控制量,求解比较准确。并对其进行改进,得到一种快速一步经验边界参考控制向量滚动优化方法,可以进一步减轻计算负担。用混合学习算法在线训练回转窑煅烧温度模糊神经网络一步预测模型模型进行反馈校正,可以较好地消除输出扰动和模型扰动。仿真验证了无约束和有约束情况下,这种模糊神经网络预测控制算法都比传统控制效果要好。