水泥是不可或缺的建筑材料,需求量巨大,资源消耗多,且污染排放大,所以水泥的高效、节能生产具有重要意义。在水泥生产过程中,悬浮预热与预分解过程,承担着水泥生料90%的分解任务,耗煤量巨大,且对于水泥的产量与质量起到至关重要的作用。目前,国内水泥生产企业的生产环境复杂、系统测控点较少,预分解过程的优化调节尚未得到广泛的研究和推广。因此,文章从国内外分解炉控制的研究现状出发,采用数据驱动建模方法与智能控制技术,实现分解炉出口温度的预测和优化控制设计,对实现水泥的高效生产及节能降耗具有重要意义。本文以安徽省某水泥生产公司6000t/d水泥生产线为研究背景,分解炉系统为研究对象,通过实地学习考察,查阅相关文献资料,从分解炉的结构、工艺流程出发,对水泥分解炉出口温度预测与优化控制进行了较为深入地研究。本文首先简要的概述了新型干法水泥生产的发展及其现状,系统地总结了国内外对于水泥生产系统的控制研究及应用情况。接着,在深入研究分析水泥预分解系统的工艺流程及机理的基础上,为了应对复杂的工艺流程及生产环境,本文提出了一种基于Lasso算法的粒子群优化极限学习机的出口温度预测模型。相比于传统预分解系统的研究大都是采用经验法选取风(三级风)、料(生料量)、煤(喂煤量)等变量,难以科学、合理的概括分解炉系统的内部规律,易造成预测精度不高,模型的泛化能力较弱等问题。本文根据现场数据,利用Lasso算法对多变量进行稀疏化处理,并利用Lars算法进行求解,在众多变量中剔除无关与弱相关变量,科学准确的确定影响分解炉出口温度的主要因素,消除了无关变量干扰和减小数据冗余,完成对变量的筛选。再划分数据集,建立了基于粒子群优化参数的极限学习机分解炉出口温度预测模型。通过仿真验证及对比分析,证明了该模型极佳的预测效果和精度。在此基础上,在保证工业生产正常运行的前提下,对预分解系统主要变量参数进行调整和优化,并针对水泥工业的生产现状设计了以喂煤量为被控量的模糊神经控制器,实现对分解炉出口温度的智能优化控制设计,仿真结果显示该控制模型具有较好的控制效果,并能较好的满足工业需求。最后,利用组态软件对系统进行上位机人机交互界面的设计,实现对工业系统的实时监控。