針對燒結礦FeO 含量存在的非線性、隨機性和不確定性的特點，提出了基于RBF 神
經網絡的FeO 含量測量模型，將燒結斷尾圖像特征和主要操作工藝參數等多種數據進行融合，對FeO 含量進行在線預報，并開發了“燒結礦FeO 含量在線智能檢測系統”。應用表明該模型計算量小、精度高，算法實用簡單，達到了理想效果。
燒結礦FeO 含量是評價燒結生產的一項綜合指標，合理控制FeO 含量有利于降低燒結
能耗，改善燒結礦的還原性。因此，對燒結礦中FeO 含量的檢測和控制對燒結生產有著十分重要的意義。當前，燒結礦FeO 含量的檢測方法主要有：化學分析法、廢氣分析法、燒結機尾觀察法和燒結參數數值分析法。化學分析法需要人工提取燒結礦樣本進行化學分析，結果精確但不能做到實時檢測。廢氣分析法通過對燒結尾氣成分含量進行分析來估計FeO含量，該方法也需要人工取樣，且容易受到外界因素干擾，結果誤差大。燒結機尾觀察法可分為看火工觀察法和基于機器視覺方法[1]，二者都是通過對燒結機尾斷面圖像進行分析，從而估計FeO 含量。燒結參數數值分析法是通過對影響燒結過程中各個參數進行分析，建立數學模型，對FeO 含量進行預測。
燒結過程的復雜性質和系統的灰色性，決定了FeO 含量很難用準確的數學模型描述其
現象和過程，燒結理論和光學CCD 成像理論表明，燒結礦FeO 含量不僅與燒結機尾斷面圖像特征有關，同時與燒結操作工藝參數也存在著復雜的非線性映射關系。國內外在燒結礦FeO 預報方面進行了較深入的研究，張石[2]等應用燒結機尾斷面圖像特征值進行FeO 回歸分析，但誤差大；蔣大軍[3]等根據燒結操作工藝參數建立FeO 含量的BP 網絡模型，該模型命中率高，但是收斂速度慢，很難在線運行。徑向基函數神經網絡為一種性能良好的前饋型人工神經網絡，具有較高的運算速度，能以任意精度全局逼近一個非線性函數，并且是全局最優。為此，本文通過RBF 神經網絡將主要工藝參數和圖像特征進行融合，對FeO 含量進行在線預報。針對某鋼鐵集團公司煉鐵廠六號燒結機開發了“燒結礦FeO 含量在線智能檢測系統”。應用表明，該模型運行速度快，命中率高，達到了理想效果。