铝电解工业中,电流效率是评价铝电解槽最主要的技术经济指标,温度则是影响电流效率的关键性因素。在正常运行的电解槽中,通过调整某些参数可以使电解质温度维持在最优的范围,此时电流效率最高,电解槽处于最佳状态。因此,温度控制在铝电解工业中十分有意义。而实际生产中铝电解过程是一个大时滞的过程,对温度的控制效果不能实时的显现出来,传统的控制技术效果不太理想。本文基于径向基函数神经网络,利用电解槽正常运行的历史数据构建铝电解预测模型,当给定铝电解槽的温度时,能得出氟化铝的加料量和出铝量的决策值。论文首先分析了铝电解工业过程中各个参数与温度之间的关系,结果表明槽电压、氟化铝加料量、出铝量、分子比、铝水平对温度有重要的影响,其中铝电解生产中可以调节的参数有氟化铝加料量和出铝量。铝电解过程是一个大时滞的生产过程,故选取前一日的槽电压、氟化铝加料量、出铝量、分子比、温度和铝水平的值与后一日槽电压、分子比、铝水平和期望温度作为网络的输入,选取后一日的氟化铝加料量和出铝量作为网络的输出,采用径向基函数作为隐层神经元的激励函数,构建了一个十输入两输出的三层网络模型。其次,利用铝电解工厂生产日报中的数据,分别使用梯度下降法、k-means聚类法、正交最小二乘法、减聚类法对径向基函数网络进行训练。仿真结果表明用正交最小二乘法训练后的神经网络(以3507号电解槽为例)预测氟化铝加料次数最大误差为1次,平均误差为0.45,平均误差的百分比为3.59%,而出铝量的最大误差为211kg,平均误差为58.1kg,平均误差的百分比为2.53%,预测精度较高且符合工业的生产要求,从而选定正交最小二乘法作为径向基神经网络的学习算法设计开发了预测系统。最后,利用MATLAB与SQL Server以及GUIDE工具相结合,设计了一款基于径向基神经网络的铝电解的预测系统,修改期望温度,可以得到氟化铝加料量和出铝量的决策值。