回转窑是一个多因素、慢时变、非线性、大时滞、强耦合、难以建立精确的数学模型的控制对象,本文运用分类识别算法对回转窑的主要检测参数进行故障检测和趋势类型的识别。在判断每个参数所处运行状态的基础上,通过综合多个主要参数的实时状态,结合现场专家经验,对回转窑当前运行状态做出判断,实现基于信息融合的回转窑工况的智能识别。据此即可根据实际工况做出相应控制。本文在总结国内外有关水泥回转窑的控制现状及分析新型干法水泥煅烧工艺流程的基础上,明确了影响回转窑运行的内、外因素,确定了影响回转窑系统运行的主要检测参数和控制手段;通过研究分形理论和信息融合技术,设计了基于分形理论的故障检测与ART-2神经网络的分类识别算法,实现对检测参数的工艺故障检测和趋势类型的划分;采用基于分形理论的故障信号检测方法,判断当前运行状态并进行异常情况报警,故障检测之后的实时数据,进入ART-2网络进行趋势识别,对不同的趋势进行分类;在实际应用中发现原有的ART-2网络存在模式飘移、缺乏幅值模式相似度比较及无法处理负实数数据等不足。据此,对ART-2网络算法进行了改进,有效的提高了聚类的准确度,实现了检测参数的趋势类型的准确分类,并用现场实际运行数据验证了分类识别算法;结合现场经验,总结主要工艺参数的状态变化对回转窑工况造成的影响,归纳定义了回转窑的典型工况,并由此构建了工况知识库。反映回转窑工况的主要工艺参数实际运行数据经分类识别算法并行处理之后,将其结果与知识库的工况相对照,确定回转窑的工况类别,并提出回转窑控制的指导性建议。基于信息融合的回转窑工况的智能识别方案,用VisualC++编程实现检测参数的分类识别模块、ADO及OPC,建立SQL数据库存储历史数据。通过ADO把存储在SQL数据库中的水泥工艺参数的历史数据导入分类识别模块进行分类识别,其结果与现场实际工况进行对比,完善工况识别知识库。在此基础上,回转窑工况识别算法通过OPC接口与DCS进行实时数据通讯,对现场实时数据进行分类识别,实现回转窑工况的在线识别。现场运行表明,该系统能有效地识别回转窑的工况,为进一步实现回转窑的优化控制奠定了基础。由于该系统采用了模块化结构,增强了通用性和可移植性,具有良好的应用前景。