在烧结工艺中,烧结料含水量对烧结质量的好坏有重要影响,但由于天气和物料来源等原因,物料含水量总体呈非线性波动,从而导致前馈控制不稳定,前馈模型难以建立。因此本文拟通过对物料含水量的参数辨识为前馈控制提供一个精确的模型。由于SVR属于多输入量单输出量模型,且在非线性场景有十分不错的性能,和本次课题要求十分符合。因此本次课题拟采用SVR进行参数辨识,这也是SVR首次应用于混合料水分的参数辨识。同时与传统的辨识方法相比,最小二乘法进行辨识在配料稳定时控制效果比较好且稳定,但当物料变化后,需要及时获取并更改前馈控制参数模型才能满足精确控制的要求。前人也采用过神经网络的方式进行辨识,精度很高,但训练时间很长。最终通过数据拟合及实验仿真平台验证,证明软间隔支持向量机（SVR）配合样本压缩算法可实现前馈加水的稳定控制。具体工作如下:针对数据中存在脏数据、数据利用率低以及数据不对应的问题,本文采用数据预处理的方法来解决。预处理包括:对齐、脏数据清洗、缺失值的插补。通过对齐使料重与含水量的数据对应,通过脏数据清洗和缺失值的插补去除不可用样本,提高数据利用率。针对SVR只适合小样本量训练的问题,由于样本中存在大量的重复和相似样本,本文采用在二分法的基础上改进的样本压缩算法进行压缩,使得压缩后的样本量级由原来的百万量级变为千位量级。最后,利用程序脚本选出SVR的最优超参数,并验证模型的准确度,利用实验仿真平台验证了模型在前馈控制上的可行性。同时在模型与算法方面,前人采用神经网络的方法也取得了相当不错的效果,本文通过压缩算法配合SVR与神经网络进行对比。在相同数据下,前者采用了样本压缩的方法,在不降低精度的情况下,大大缩短了模型训练的时间。多组样本在实验平台的仿真结果可知,SVR配合样本压缩的算法的模型性能良好,可为前馈加水提供的精确的模型,证明此种方法可以解决工艺过程的大滞后对水分控制造成的不理影响。为在线的实时控制奠定了基础。