随着高炉大型化、自动化及最大限度地降低焦比的要求,对高炉炉料的质量要求越来越高。球团矿由于其特有的冶金性能而成为当今冶炼炉料中不可缺少的组成部分。然而球团质量指标的检测大多是在成品球团生产出来以后才进行的,这很难针对生产过程的球团质量状况实时得调整生产过程参数,从而影响企业的生产质量和效益。因此建立成品球团的质量预报模型是非常必要的。链篦机-回转窑氧化球团过程是一个复杂的工业过程。采用传统方法建立其质量预报模型非常困难。本文采用BP神经网络建立球团矿质量预报模型,采用粗糙集理论中的属性约简算法选择与球团质量相关性大的参数作为球团矿质量预报模型的输入。根据球团生产工艺将球团生产过程划分为链篦机、回转窑和环冷机三段。将对每段生产过程产生影响的因素的值取为实际值,未对该段产生影响的因素的值用理想值代替。当该批次的球团进入下一阶段,将影响该段生产过程的参数值及上一段的操作参数值取为实际值,未对该段产生影响的因素的值用理想值代替,以保证模型输入参数的合理性,分段建立球团抗压强度预报模型。模型的验证是确定模型有效性的有效途径。在实际的模型验证中,应对同一个问题采用多种方法进行检验。因为通过多种验证方法可以从多个侧面考察模型有效性。不同的验证方法有可能得出不同甚至矛盾的结论。通过对导致不同结论的所有原因的综合分析,更容易把问题搞清楚。本文从这点出发,对模型验证方法进行了深入的研究,从模型动态性能验证的角度对模型验证方法进行了总结,概括介绍了每类方法的原理、优缺点和适用范围。并通过误差分析法、不等式系数法、灰色关联分析法以及函数型数据分析法分别从误差和相关性角度对模型的性能进行了验证,以确保本文所建立的链篦机、回转窑和环冷机三段抗压强度预报模型的有效性。