水泥熟料中的游离氧化钙(f-CaO)含量是判断水泥质量的重要指标之一。由于熟料生产过程的分布参数和大滞后特性,目前大多采用的是人工周期性采样进行实验室离线化验,采样间隔久(通常为1小时),测量结果滞后,容易导致调控不及时,造成工况大幅波动,难以满足水泥行业对熟料的质量、产量的迫切需求。因此,亟待研究f-CaO含量的自动测量问题。软测量技术作为参数实时估计的有效手段,为实现f-CaO含量的自动测量开辟了有效思路。目前f-CaO含量的自动预测多采用单一模型建模方法,但是水泥熟料生产工况复杂多样,具有非线性、多变量、强耦合等特点的过程,传统单一模型难以预测所有工况下的f-CaO含量,预测性能不够理想。因此,本文依托国家自然科学基金项目,针对单一模型难以预测多工况下的熟料质量的问题,将江西某熟料生产线作为研究对象,提出了一种水泥熟料f-CaO含量多模型软测量方法,为水泥熟料质量实现反馈控制奠定了基础,具有重要理论意义和应用价值。本文的主要内容和成果如下:(1)针对f-CaO含量软测量模型输入变量的选择问题,本文在详细分析水泥熟料烧成过程机理的基础上,结合现场操作经验选取了5个影响熟料f-CaO形成的过程变量(喂料量、分解炉温度、主机电流、窑头二次风压和篦冷机二室风压)作为f-CaO含量软测量模型的输入。(2)针对f-CaO含量软测量模型训练及测试数据集的预处理问题,首先使用均值滤波以减少原始数据中的噪声干扰,再利用拉依达准则剔除设备故障等原因导致的数据中的异常值,最后根据熟料生产过程大时滞、连续性的特点,对过程变量和f-CaO含量数据进行了时序匹配和时序加权,获得了660组变化范围大、覆盖范围广的数据集。(3)针对单一模型难以预测熟料生产系统的多种工况下的熟料质量,预测性能不够理想的问题,提出了一种水泥熟料f-CaO含量软测量多模型方法。依据熟料生产工况复杂多样的特点,利用模糊C均值聚类算法对数据聚类,将工况较为相似的数据集聚成一类,再送入到SVM子模型中进行训练,得到多个更适合每类数据特性的子模型,利用开关切换策略进行融合成多模型。将预处理得到的前560组数据用于模型训练,后100组数据(即水泥熟料生产线连续运转4天多的数据)用于模型测试,仿真结果表明本文模型的均方误差、Theil’s不等式系数较小,相关系数较大,并能较好地预测f-CaO含量变化趋势,模型性能良好。(4)将本文所提出的f-CaO含量软测量模型的性能与现有文献中的软测量模型(单一支持向量机模型、偏最小二乘回归方法、径向基神经网络和Takagi-Sugeno模糊神经网络)进行了比较分析,结果表明本文模型取得了最小的均方误差及Theil’s不等式系数和最大的相关系数,在这3个模型性能指标上具有明显优势。