在链篦机回转窑球团焙烧过程中,对回转窑窑中温度进行实时在线监测进而精确控制,可以提高球团矿的产品质量并且进一步保证生产安全。但是在实际的生产过程中,链篦机回转窑球团矿生产过程十分复杂,由于当前现有的测量技术具有一定的局限性,用于测量的仪器价格昂贵以及测量过程中的非线性和时间延迟等原因,难以对窑内温度实时在线检测和控制。针对链箅机回转窑窑中温度实时在线预测难的问题,本文以实际链箅机回转窑球团矿生产过程为研究对象,在充分研究球团矿焙烧反应过程的基础上,提出一种基于动态双种群联合搜索机制的量子粒子群算法(DJQPSO)用于优化改进RBF神经网络(SCRBF)的软测量模型。首先,选取与回转窑窑中温度密切相关的8个辅助变量用于软测量模型输入变量,针对辅助变量样本数据高维度和信息冗余等问题,采用一种基于核主元分析算法(KPCA)与核局部保持映射算法(KLPP)相结合的数据降维方法(KPCA-KLPP),该方法将局部结构保持目标函数和全局结构保持目标函数相结合,同时应用于高维空间特征分量提取过程,使得映射后的低维特征空间既能够保留样本数据整体方差最大化,又可以保持数据集的局部近邻结构,在降低原始样本数据维度和去除冗余信息的同时,最大程度地保持了数据集全部特征信息。改进降维算法的测试结果显示,所采用改进数据预处理算法能够达到理想的降维与去冗余效果。之后,采用一种基于系统聚类法的RBF神经网络(SCRBF)软测量模型,根据输入数据的不同特性将其分成不同的类别,每个类别选取一个基函数,这种方法可以有效的简化网络结构,增强网络的泛化能力。接着,利用动态双种群联合搜索机制的量子粒子群优化算法(DJQPSO)对带有信息反馈机制的SCRBF神经网络软测量模型网络的隐含层与输出层之间的权值、基函数中心和宽度等参数进行优化训练,对训练后的神经网络结构参数所建立的链箅机回转窑窑中温度软测量预测模型进行内部评估,所采用的方法为十折交叉验证法,评估的结果能够确定预测模型最优的结构参数组合。最后,采用评价指标预测误差指数、精度指标、训练集拟合度和预测均方误差值,进行外部独立样本测试集检验,证明回转窑窑中温度软测量预测模型具有良好的稳健性和准确的预测能力。对本文提出方法综合测试结果表明,链箅机回转窑窑中温度软测量预测模型具有良好的预测能力和可靠性。