在新型干法水泥生产过程中,分解炉温度的控制不仅影响到水泥的质量,而且还会影响设备的正常运行以及设备寿命。由此可见对分解炉温度的控制至关重要。然而对分解温度的控制缺乏适用而又有效的方法。而且又由于影响分解炉温度的元素很多,且各个元素之间存在很强的耦合,因此,对分解炉温度的控制存在很大的困难。　　 自适应动态规划(AdaptiveDynamicProgramming,ADP)在求解非线性最优控制方面有着强大的优势,基于数据的自适应动态规划是将自适应动态规划理论与基于数据的控制理论相结合,充分利用生产过程中产生的数据,在难于建立精确数学模型的情况下,实现对复杂控制系统的优化控制的控制方法。　　 本文针对水泥工业中生产数据闲置的现象,将从水泥现场采集的生产数据对分解炉进行建模。本文分别用小波神经网络、BP神经网络以及学习率自适应的BP神经网络分别作为分解炉模型的架构,通过大量数据的训练后建立基于数据的分解炉模型。训练好的模型的拟合能力和泛化能力都达到了要求。将建立好的模型嵌入到值迭代启发式动态规划算法中,作为算法中的模型网络,与值迭代算法中的评价网络和动作网络共同构成基于数据的启发式动态规划算法结构,通过三个网络的共同作用,采用值迭代算法,不断更新评价网络和动作网络后得到所需的控制器,将训练好的控制器用于分解炉温度控制。　　 本文还用单BP神经网络对分解炉的温度进行控制,将基于数据的启发式动态规划和单BP神经网络控制做了比较,基于数据的启发式动态规划控制效果明显优于单BP神经网络控制。