预分解新型干法水泥生产技术主要包括生料和煤粉制备、窑外生料分解、窑内熟料烧成和水泥粉磨制备,大幅提高了水泥生产效率,成为当今水泥工业发展的主流。由于水泥生产过程的复杂性以及工业上的技术困难,现有的测量手段难以实现对水泥生产过程的生料分解率和熟料产品烧结质量指标等关键工艺参数的在线检测,导致难以实现水泥生产过程的自动控制与优化控制。水泥生料分解率通过人工采样离线化验的方法检测,而熟料烧结过程依赖人工观测烧成带图像识别工况,进而人工调整操作变量,然而这种操作模式易受主观因素影响。因此,将机器学习技术应用于工程实践中,研究基于图像处理和机器学习理论的水泥生料分解率软测量和熟料烧结状态识别的新方法,是解决水泥回转窑控制与优化中检测难题的有效手段。水泥生产等复杂工业过程的过程数据都是随时间连续变化,其建模问题可以归结为一个多变量时间序列的学习问题。而现有的水泥回转窑建模方法都是基于静态数据的,静态数据过大的采样间隔导致动态信息丢失,蕴含的信息量少,难以提取有效、鲁棒的特征,因而无法建立精确的模型。不同于静态数据,时间序列往往具有时间、空间上有序性等潜在的有用知识。不变量特征是时间序列数据的本质特征,而慢特征分析(SFA)就是以不变量学习为目标的一种无监督学习算法,并成功应用于各个领域。因而,深入分析水泥生产过程特性和数据特点,建立基于动态多变量时间序列数据和慢特征分析特征提取方法的水泥回转窑模型,以提高水泥生料分解率预报精度和熟料烧结状态识别精度,具有重要的理论意义和应用价值。本文以水泥回转窑为研究对象,考虑动态多变量时间序列数据的特点,利用数据挖掘和机器学习相关技术进行水泥回转窑建模方法的研究,并建立基于改进慢特征分析特征提取的水泥生料分解率预报模型以及熟料烧结工况识别模型。本文的主要工作如下:(1)采样自水泥生料预分解的动态过程数据具有空间维和时间维双重关联结构,其组织形式为张量结构,而传统的SFA算法是基于样本向量展开形式的,通常会破坏数据不同维度上的结构信息,而且在数据维度过高、训练样本少等情况下会出现矩阵病态问题。针对以上问题,本文将慢特征分析算法与张量分析方法结合,提出张量慢特征分析算法(TSFA),从而能够获取更能反映数据空间维和时间维双重关联结构特性的特征表达,并能避免病态矩阵问题。并在此基础上,考虑到数据的非线性特点,对张量慢特征分析算法进行非线性扩展,从而更好解决数据的非线性问题。结合数据挖掘与机器学习,本文提出基于张量慢特征分析特征提取的ε-SVR软测量建模方案,并用以实现水泥生料分解率预报的软测量,基于多种特征提取方法的软测量对比实验结果表明张量慢特征分析方法的有效性;(2)熟料烧结图像视频序列数据有一部分是有标签的,而传统的SFA算法是无监督算法,只能提取无标签样本的信息,缺乏监督信息的指导,从而导致提取效果不佳。针对以上问题,本文将SFA算法与间隔Fisher分析(MFA)算法相结合,提出一种时空两阶段的半监督降维方法—时空半监督慢特征分析(ST-SSFA),在利用时序信息的基础上,保持无标签数据的流形结构,同时利用标签数据的标签信息,提取更具有类区分度的特征。结合图像处理与机器学习,本文提出基于时空半监督慢特征分析特征提取的熟料烧结工况识别新策略,并基于多种特征提取方法在回转窑烧成带视频数据上进行比较实验,结果表明本文方法能够更为有效地提取低维特征表达;(3)在算法研究的基础上,本文从实际应用出发,利用Apache+PHP+MySQL和MATLAB的混合编程技术设计开发了“回转窑熟料烧结工况识别实验系统”。该实验系统由实验系统介绍、模型离线训练和模型在线应用三大功能模块构成。在实验系统上进行了本文所提算法的仿真实验研究,验证了模型的正确性和仿真实验系统的有效性,为下一步深入进行水泥回转窑建模研究提供了必要的研究平台。