回转窑是工业上生产氧化铝的重要热工设备，其操作参数多且具有大滞后、非线性、强耦合、多干扰等特点。回转窑的烧结是整个回转窑系统中的关键工序。烧结过程中的窑内工况，烧结温度，煤粉质量对窑前喂煤量影响很大，因此即使经验丰富的操作工人也难以在这么复杂的环境下进行准确地加减煤判断。在人工比较难把握加减煤趋势的情况下，如果对其建模并能准确预测出喂煤量的趋势方向，则可以稳定窑内工况，提高熟料的产量和质量。根据这个思路，把喂煤量作为主要的研究对象，提取窑前基于时序的热工数据的变化趋势，总结出热工数据趋势特征和喂煤趋势方向的关系，提出一种基于核函数的极限学习机(K-ELM)模型，实现对喂煤量变化趋势进行预测。对于窑前的热工数据，采用基于加煤或减煤的关键点方法对整个时序进行分段线性化压缩，然后提取每一小段热工数据的变化趋势，建立喂煤量变化趋势的训练测试数据库。考虑到窑前热工数据噪声大、受干扰因素多等特点，一般的神经网络进行训练受到影响比较大，预测精度较低。为此，本文引进了鲁棒性较强的K-ELM神经网络模型。在对标准数据库中几组数据集加噪声的情况下，对几种神经网络模型进行了比较，并分析其结果。目前的研究资料中还没有形成固定的算法来选择K-ELM的参数。本文采用了交叉验证算法对其参数进行寻优，在一定程度上避免了神经网络的过学习问题。用前面提取得到的喂煤趋势数据库，对ELM、SVM及K-ELM三个模型训练测试，并对结果进行分析。两次实验结果都表明基于K-ELM的模型抗噪声能力比较强，且模型训练时间短，能在复杂且有干扰的环境下对回转窑喂煤量趋势做出较准确的判断。利用此模型对某氧化铝回转窑现场5小时以上喂煤趋势进行预测，准确率达到80%左右，证明了本文思路的可行性。