当球磨机运行在低负荷区和习惯工作区时，选取了5个辅助变量；当其运行在优化工作区和堵磨区时，选取了6个辅助变量。而且这些辅助变量均为工业现场易采集的信号，不需要加装检测振动或噪声等信号的特殊变送器，因此具有更广泛区域与存煤量的关联度第一阶段（低负荷区、习惯工作区）0.3235第二阶段（优化工作区、堵磨区）0.4582的实用性。
模糊聚类根据式所建立的机理模型选取样本，并进行信号预处理（包括滤波和归一化处理），最终得到900个样本。每个样本中含有6个特征参数，分别为进出口压差、入口负压、入口风温、出口温度、通风量及磨电流。从总体样本中选取700个作为训练样本，记作Xtrain；其余的200个作为检验样本，记作Xtest。
采用FCM算法对训练样本集Xtrain中的数据进行聚类，生成四个聚类中心，每种聚类所包含的样本个数分别为：286，170，135，109.聚类结果。值得注意的是，FCM聚类时，样本所包含的6个特征参数均作为输入变量参与了仿真试验，但绘时最多只能显示3个。通过模糊聚类将训练样本划分为四类：低负荷区、习惯工作区、优化工作区和堵磨区。对于不同的聚类，磨煤机存煤量与出力的关系。
神经网络多模型对模糊聚类分成的各类训练样本建立RBF神经网络模型。当构建球磨机运行在低负荷区和习惯工作区内的RBF神经网络模型时，输入节点（辅助变量）分别为：进出口压差、入口负压、入口风温、出口温度及通风量；构建优化工作区和堵磨区内的网络模型时，输入节点分别为：进出口压差、入口负压、入口风温、出口温度、通风量及磨电流。由此得到代球磨机不同运行状态的4个RBF神经网络。
对于任一样本x，由FCM聚类生成的隶属度为u= 结论（1）通过仿真结果比较，可以看出神经网络模糊多模型软测量预测输出的误差较小，训练速度更快，具有更好的泛化能力。而RBF神经网络单模型的网络结构庞大，训练时间长，预测精度差。明神经网络模糊多模型软测量预测输出的总体效果更好。（2）根据模糊聚类的结果及球磨机的运行状态，划分了四个工作区域：低负荷区、习惯工作区、优化工作区和堵磨区，根据各个区域的不同特性建立了RBF神经网络多模型，这为更好地实现球磨机存煤量的准确测量提供了有效的解决途径。（3）根据各变量与存煤量之间的灰色关联分析，尤其是对磨电流的分阶段讨论，当球磨机处于不同的运行状态时选取了不同的辅助变量。这样既最大限度地剔除了冗余变量，又显著提高了测量精度和灵敏度，并且所选取的辅助变量均属于工业现场易采集的信号，有助于进一步将神经网络模糊多模型软测量的方法广泛应用于实际生产过程中。