随着水泥装备向大型化发展的需要,以预分解技术改进传统的水泥生产方式是当前我国水泥工业的发展方向。分解炉是预分解系统的核心部分,它承担了预分解窑系统中煤粉燃烧、气固换热和碳酸盐分解任务。碳酸盐的有效分解是制约水泥质量的重要因素,而它的有效分解需要一个相对稳定的温度,因此分解炉的温度控制对整个预分解系统的热力分布、热工制度的稳定至关重要。本文在目前国内外水泥分解炉温度预测技术研究现状的基础上,首先,基于新型干法水泥预分解工艺,研究分解炉温控系统的非线性、耦合性、大惯性、干扰和时滞不确定等主要特性,分析温度控制过程中的存在的不足。探讨影响生料分解率及分解炉温控系统稳定运行的主要因素,得到影响分解炉温度的主要特征变量,从而引出主成分分析法（Principal Component Analysis,PCA）与核主成分分析法（Kernel Principal Component Analysis,KPCA）筛选出主要的特征变量,对数据进行降维,将降维后的变量放到神经网络中,从而提出基于双向长短时记忆（Bidirectional Long Short-Term Memory,Bi LSTM）神经网络模型,该模型能有效利用序列数据长距离依赖信息的能力,充分挖掘序列数据背后隐藏的规律,接着对数据进行归一化处理,然后采用均方误差和平均绝对百分比误差作为评价指标。对建立的模型进行训练优化,最后将优化后的模型用于分解炉出口温度的预测中。文章通过实证分析发现,基于KPCA-Bi LSTM的组合模型在测试集得到的均方误差和平均绝对百分比误差与Bi LSTM,KPCA-LSTM,以及PCA-Bi LSTM等模型进行对比分析,发现KPCA-Bi LSTM的组合模型在测试集上都得到的均方误差和平均绝对百分比误差都要低,以及预测拟合曲线拟合度也相较于其他方法要好得多。表明了基于KPCA-Bi LSTM的组合模型的可行性。同时分解炉出口温度的预测,还可以为水泥行业提供出分解炉出口温度的优化控制方法,可有有效的降低其它影响因素的介入,使分解炉的炉温在分解中更加的稳定,煤粉在分解炉中的作用更加的彻底,有效的提高水泥成品的质量。