当前,新型干法水泥生产已成为水泥工业发展的主流和最先进的工艺,而其核心技术之一就是预分解技术。预分解技术是将本来在回转窑中进行的生料分解阶段部分转移到了分解炉中,使燃料燃烧与生料分解同时在悬浮状态下紧密配合、极其迅速的进行,从而使窑尾分解率从悬浮预热窑的20%~40%左右提高到85%~95%,减轻了窑内烧成带的热负荷,大幅度提高了窑系统的生产效率,所以窑尾分解率的高低及其稳定情况成为控制分解炉及回转窑的重要参考量。窑尾分解率检测,目前均采用离线检测的方法,通过人工取样,以化学分析的手段取得,既耗费大量人力物力,而且离线分析获得的测量结果相对于实时控制具有很大的滞后性,降低了其实际的参考价值,不能及时反映生产状况,无法满足工业过程实时控制需要。因此,对于窑尾分解率在线测量技术的研究具有重大意义。根据窑尾分解率的高低,操作人员可以清楚地得到分解炉炉况的好坏,为控制回转窑提供了参考信息,从而可以优化整个烧成系统的控制策略,实现节能降耗。随着现代工业生产技术的快速发展和生产过程的日益复杂,为了确保生产装置安全高效运行,就必须对与系统稳定及产品质量密切相关的重要过程变量进行实时准确的检测和控制。对于在工业过程中存在的许多无法或难以直接用传感器或过程检测仪表进行在线测量的重要过程参数,软测量技术成为解决这些变量检测问题的一种先进技术。本论文研究课题来源于国家高技术研究发展计划(863)计划项目“新型干法水泥生产过程集成控制应用”的子课题——软测量、单元级优化控制系统设计开发及工程应用,结合某水泥厂熟料生产线的实际情况,针对新型干法水泥生产窑尾分解率软测量做了深入的研究。在深入分析新型干法水泥生产工艺的基础上,结合碳酸钙分解原理以及影响分解过程的主要因素,选定分解炉炉内温度和压力,分解炉出口温度和压力,三次风温以及入窑生料提升机电流作为窑尾分解率软测量的辅助变量,采用拉依达准则进行异常数据剔除,并将样本数据进行标准化处理。由于分解炉具有非线性、大时滞、强耦合、多变量、时变等特性,难以建立生料预分解过程的精确数学模型,故机理建模方法不适合窑尾分解率软测量。因此,在分析比较各种软测量经验建模方法后,本文分别选择BP神经网络和最小二乘支持向量机作为窑尾分解率软测量模型。实验结果表明BP神经网络结构的选取对BP神经网络建模有一定影响,模型训练时间较长,而且易出现“过学习”现象;而基于最小二乘支持向量机的窑尾分解率软测量模型具有良好的学习能力,模型预测精度较好,而且模型训练时间少,因此可以将此模型作为窑尾分解率在线测量模型。文中以ABB公司Freelance2000中的Control Build F系统为基础,给出了以OPC技术和ADO技术为桥梁的新型干法水泥生产窑尾分解率软测量的实现方案,以及最小二乘支持向量机的在线算法。用Visual Basic开发了数据采集系统,使用Visual C++ 6.0开发软测量软件,将其用于新型干法水泥生产现场,软测量效果良好。