烧结过程是钢铁冶炼的重要工序之一,烧结矿是高炉炼铁的主要原料,烧结矿的质量直接影响高炉炉况和钢铁产品质量。烧结过程是一个工艺流程长、影响因素多、机理复杂的动态系统,烧结过程的特点使得对烧结矿质量的检验具有大滞后性,检测结果无法用于指导烧结配料操作,因此开发烧结矿质量预测系统实现对烧结矿质量的准确预测具有十分重要的意义。本文针对钢铁烧结配料工序完成后,烧结过程工况未知,仅依靠配料参数信息难以准确预测烧结矿质量的问题,在对烧结过程工艺机理及特性进行深入分析的基础上,总结出影响烧结矿质量的主要因素,通过综合灰色系统理论与非线性预测理论,提出一种基于灰色预测模型与径向基(RBF)神经网络模型集成的烧结矿质量预测建模方法,建立了烧结矿质量智能集成预测模型,进行烧结矿质量预测。论文的主要内容如下：首先,对烧结生产过程的原料参数、操作参数、状态参数以及烧结矿质量化验数据进行统计分析,确定影响烧结矿质量的关键参数,并且对确定的关键参数及质量化验数据进行数据滤波处理,在此基础上,建立烧结矿质量RBF神经网络预测模型；然后,基于烧结矿质量化验数据,建立烧结矿质量灰色等维新息GM(1,1)预测模型；最后,利用信息熵理论,将上述两个单一模型进行加权集成,进而建立基于信息熵的烧结矿质量智能集成预测模型,实现对烧结矿铁品位(TFe)、碱度(R)和转鼓指数(Ro)进行准确预测。基于过程运行数据的仿真实验验证了本文所提建模方法的有效性。同时为了验证其实际应用效果,针对国内某大型钢铁企业烧结厂生产过程,开发烧结矿质量预测系统。在线运行结果表明：该系统实现了烧结矿质量的准确预测,为烧结过程的优化控制提供准确的操作指导信息。