球磨机是流程工业中的关键基础设备,尤其是化工和冶金领域。然而,由于参数时变,大惯性等因素对球磨机运行过程的影响,缺乏有效的关键负荷参数测量方法。因此,准确检测磨机负荷参数对选矿全流程优化运行和控制有重要的研究意义。软测量是借助自动控制技术,并合理的运用到生产实践过程中,依据易测变量与难以直接测量的待测过程变量之间的数学关系,通过各种数学计算与估计方法,从而测量出待测变量。鉴于此,软测量技术被广泛应用于磨机负荷检测中,但是,在实际磨矿生产过程中,通常不可避免的存在多工况问题,使得历史工况与待测工况之间的数据分布发生迁移,导致传统的软测量建模方法的预测性能下降。针对选矿过程中变工况导致的预测主导变量模型难以建立的问题,本文通过引入一种有效的学习策略—迁移学习,研究多工况和变工况磨机负荷参数软测量建模方法,本文主要工作内容概括如下:(1)针对待建模工况中仅含有少量带标签样本的问题,本文主要研究了基于半监督分布适配的域适应方法。通过充分利用待测工况中少量的带标签样本的标签信息,与传统的负荷参数软测量方法相比,取得了良好的预测效果,并通过球磨机实验验证了该方法的有效性。(2)针对磨机待建模工况中带标签样本难以获取以及未充分考虑多个历史工况间信息相关与互补的问题,本文研究了基于最大均值差异的多源域适应方法。通过利用集成建模思想和充分利用历史工况间信息的相关和互补特性,使得模型的预测精度进一步提高。(3)针对在进行历史工况和待建模工况分布适配时未充分考虑数据的几何结构问题,本文研究了基于数据结构保持的域适应算法,主要通过流行域适应和联合低秩稀疏表示域适应这两个方面进行说明,并通过球磨机实验,验证了所提方法的有效性。