近年来很多热电厂都采用循环流化床锅炉燃烧煤泥的方式来处理煤泥，不仅解决了之前煤泥随处堆放造成的重大污染问题，而且用作循环流化床锅炉发电的燃料，同时也创造了很高的经济效益。但是煤泥在输送过程中经常会发生管道的堵塞故障，不仅影响了煤泥的正常输送，而且对锅炉的安全、经济运行也造成了极大的隐患。　　本文充分利用黄陵煤矸石热电厂的煤泥管道输送系统中的监测数据并加以有效分析，准确的得到煤泥输送管道压力损失分布模型，以及获得可靠的煤泥输送管道堵塞故障预测模型。本文开展了以下研究工作：　　针对煤泥在管道输送过程中的压力损失分布呈现出非线性的特点，根据实验数据分析影响煤泥输送管道压力损失分布的因素，提出了一种基于量子遗传算法优化BP神经网络的建模方法，从而建立煤泥输送管道压力损失分布模型。该方法主要是通过采用量子遗传算法对BP神经网络的权值和阈值进行优化，从而达到一个很好的优化效果，并且可以逼近煤泥管道输送过程中压力分布的非线性特性，得到其数学模型。仿真结果表明，基于量子遗传算法优化BP神经网络的建模方法能很好地预测出煤泥输送管道压力损失的分布，与BP神经网络建立的模型相比稳定性好、准确度高、寻优时间短。　　针对煤泥管道输送系统中的膏体泵泵送压力监测数据具有高度复杂、非线性特征的特点，通过对压力监测数据进行处理，包括异常数据的替代、缺失数据的补齐以及含噪数据的消噪，消除了不确定因素对预测建模的影响。然后采用希尔伯特—黄变换（HHT）分析方法研究压力监测数据，并对压力监测时间序列进行分解，而通过经验模态分解的方法可以将其分解成不同瞬时频率固有模态函数分量的叠加形式，最后分别选取回归型支持向量机、径向基函数神经网络和自回归三种预测模型分别对时间序列较高频分量、低频分量和余项进行预测，从而实现了煤泥输送管道堵塞故障预测模型的建立。该方法不仅提高了预测的精度，而且降低了预测的复杂度。