预分解新型干法是可实现规模化生产的最先进的水泥生产技术,该法已经成为当今水泥工业发展的主流,悬浮预热和窑外预分解是其核心技术。分解炉是生料预分解过程的主要设备,其主要承担了悬浮状态下的燃料燃烧和生料分解任务,可以减轻窑内烧成带的热负荷,从而大幅提高了窑系统的生产效率。生料分解率是水泥熟料生产过程中非常重要的产品质量指标,稳定生料分解率对于回转窑的稳定控制和最终产品质量的提高具有重要意义。水泥分解炉的各过程变量可以通过在线检测仪表进行快采样速率下的测量,而生料分解率通过现有的测量手段无法在线检测,目前采用人工离线化验的检测方法,其化验周期长,不能及时反映生产状况。水泥分解炉是典型的多容高阶大惯性过程,其工艺机理复杂,难以建立精确的机理模型。现有的基于数据驱动的生料分解率预报模型主要是基于慢采样速率输入输出数据的静态模型,由于太大的采样间隔,导致过程动态信息丧失、模型性能较差。因此,有必要深入研究生料分解率的预报建模方法,为实现分解炉的人工决策指导、过程运行安全监控、自动推理控制和实时操作优化提供必要的基础,对于节能降耗、提高产品质量和产量至关重要。针对上述水泥分解炉多采样速率系统的生料分解率预报建模问题,本文依托国家自然科学基金面上项目“基于图像与过程数据融合的回转窑产品质量参数预报建模”,采用数据与知识相结合的方法,建立了充分挖掘过程动态信息的水泥分解炉生料分解率预报模型。本文的主要工作如下：(1)现有的水泥分解炉生料分解率预报模型的输入特征集是由所有影响生料分解率的具有一定空间关联性的各过程变量组成的静态特征集,本文在此基础上考虑过程的动态信息,从而每个过程变量又会形成具有高度时间关联的时间序列动态特征。针对生料分解率预报模型输入空间各过程变量时间序列动态特征组成的原始特征集具有时间和空间双重关联性这一特点,本文提出了一种结合特征提取和特征选择的两步维数约简方法,第一步通过特征提取降低每个变量的时间序列动态特征间的冗余,第二步通过特征选择去除过程变量空间特征间的冗余。1)针对每个过程变量形成的时间关联特征具有函数型数据的特点,同时考虑到其可能具有潜在的流形结构,本文在流形降维算法保局投影(Locality Preserving Projections, LPP)的基础上,提出了一种特征提取方法——惩罚保局投影(Penalized Locality Preserving Projections, PLPP),用PLPP对每个过程变量形成的时间序列动态特征进行特征提取；2)经PLPP提取的各个过程变量特征间存在空间上的关联性,本文用Filter和Wrapper相结合的两阶段特征选择方法进行特征选择,其中,Filter阶段采用基于互信息的最小冗余最大相关(minimal redundancy maximal relevance, mRMR)准则得到候选特征集,Wrapper阶段采用序列前向特征选择结合SVR的方法进一步选择得到紧凑特征集。本文将该方法用于考虑动态信息的实际分解炉生料分解率的预报建模中,实验结果证明了该方法的有效性。(2)针对有监督的基于慢采样速率下的过程数据建立的静态模型精度较低的问题,本文将机器学习领域的半监督学习机制用于考虑动态信息的水泥分解炉生料分解率预报建模问题上,从而充分挖掘了未标记样本所蕴涵的相关回归问题信息,提高了模型的泛化性能,为复杂工业过程提供了更有效的数据驱动的产品质量参数预报建模方法。对输入动态数据用本文提出的两步维数约简方法进行特征提取和特征选择后,围绕半监督的思想,同时使用有标记样本和未标记样本训练回归器,考虑到预报误差、数据内在几何结构和决策函数复杂性三者的折中,建立了考虑动态信息的基于半监督ε-LapSVR的水泥分解炉生料分解率预报模型。仿真实验结果表明,过程的动态信息和未标记样本均能够提高生料分解率预报模型的泛化性能。