在進行熟料焙燒時，對石灰回轉窯內的不同控制參數產生影響的因素有很多，如果我們選用傳遞函數或者是線性辨識的操作來對其進行模擬操作，其所獲的的結果肯定會有一定的誤差，同時很難滿足不同條件下石灰回轉窯的煅燒。
針對石灰回轉窯熟料的煅燒特性，研究創造出一種名叫BP神經網絡系統，它對于任何非線性較大慣性的系統進行模擬操作都是比較得心應手的，同時還具備無限逼近的優勢。在進行石灰回轉窯模擬操作時，我們可以選擇分解爐的溫度以及變化規律、窯頭罩處溫度等來充當輸出參數，同時選擇石灰窯的窯頭以及窯尾處的喂煤量來充當輸入參數，從而建立二輸入、無輸出的BP神經網絡模型，其具體結構如圖：
圖中石灰回轉窯的神經網絡層數一般決定為比較常見的三層網絡結構，即輸入、隱含和輸出層，其中輸入層的節點數為2個輸入量的的個數，而輸出層的節點數則是5個輸出量個數，其所隱含的節點數不能太多也不能太少，太多時容易引起石灰回轉窯煅燒時的模擬訓練時間過長而導致速度緩慢，而太少則會使網絡泛化能力減弱，通常情況下，我們一般會在8-30之間選擇恰當的數值從而建立恰當的網絡模型，以供未來石灰回轉窯中所進行的其他模擬操控應用。
（文章源于河南豫暉球磨機、回轉窯指定網站：http://www.assaggino.com/，轉載注明出處）
