回转窑是一种生产水泥、氧化铝等工业材料来的核心热工设备,主要功能是将生料浆烧结成合格的熟料,其运转情况直接决定了水泥熟料生产的质量和产量,但由于受到窑体的旋转以及窑内复杂的燃烧、烟气与物料的对流换热等因素的制约,导致无法对影响熟料烧结过程的关键工艺参数进行准确的测量,造成现有的回转窑烧结过程仍处于“人工看火”开环操作阶段,即看火员通过对回转窑内的观察,判断熟料是否烧结完成,然而这种操作模式的识别结果易受到操作人员主观因素的制约,导致最终生产的熟料无法满足质量指标要求。回转窑烧成带图像中蕴含了丰富的熟料烧结状况信息,利用回转窑烧成带图像识别烧结工况是提升工况识别精度的重要方法。由于受到窑内大量的煤粉、烟尘等不利干扰,导致图像模糊不清,之前的基于静态图像的尺度不变特征转换(SIFT)方法提取到的特征鲁棒性较差,识别的精度无法满足要求。因此在前人对视皮层细胞的认知计算模型研究的基础上,结合图像处理技术、机器学习和模式识别等理论,研究基于烧成带视频图像的回转窑熟料烧结工况识别的新方法,是解决回转窑控制与优化中检测难题的有效手段,为实现水泥回转窑烧结过程的监控和熟料质量指标的闭环控制奠定下基础,具有极其重要的理论意义。针对上述的回转窑熟料烧结工况识别中存在的问题,本文以回转窑为研究对象,以提高回转窑熟料烧结工况识别精度为目的,依托国家自然科学基金面上项目“基于图像与过程数据融合的回转窑产品质量参数预报建模”,开展了回转窑熟料烧结工况识别新方法的研究探索,本文的主要工作如下:(1)针对之前基于静态图像的回转窑熟料烧结工况识别方法的缺陷,在对国内外过程工业中图像处理技术的分析综述上,将视皮层认知计算理论与深度学习方法应用于回转窑熟料烧结工况识别问题上,提出了基于烧成带视频图像的回转窑熟料烧结工况识别新方法。该方法由视频图像预处理、基于多层卷积慢特征分析(HC-SFA)网络和单词包模型的时空特征提取方法和基于随机向量函数连接(RVFL)网络的分类器方法组成;(2)视频图像预处理方法主要包括时空块的抽取和图像块的白化降维处理两部分。基于视觉系统中视皮层信息处理的分层性和神经元局部感受野逐渐扩大的机理,采取在不同烧结工况的视频区域内随机抽取几种尺寸逐级递增的时空块,以利于后续分层进行特征表达的学习,并采用基于主成分分析的预处理方法降低图像块的相关性和冗余度;(3)特征提取方法由HC-SFA和单词包模型组成。为了获得具有有效性和不变性的特征表达,并降低学习复杂度、提高模型的学习效率,采用HC-SFA无监督学习方法在尺寸递增的时空块上逐层学习建立慢成分特征模型,采用慢变成分构成局部慢变形态特征;利用时空块慢变成分时间维均方导数TMSD构成局部慢变时空形态特征;进而建立视频图像的单词包模型,从而得到视频图像的全局形态时空特征。并且进一步降低了特征维数以利于分类器的学习;(4)考虑到RVFL网络学习速度快和泛化性能较好的优点,提出基于RVFL网络的工况识别分类器方法,采用网格搜索与自助法确定RVFL网络的隐层节点个数。为了验证本文方法的可行性,本文对所提出的基于慢特征分析的回转窑图像处理与工况识别方法进行了仿真实验,结果表明,本文提出的预处理方法能够有效地降低图像块的相关性和冗余度;基于多层卷积慢特征分析和单词包模型的特征提取方法能够从回转窑视频中提取到反映烧结工况的有区分性和鲁棒性的形态特征表达,基于RVFL网络模型的分类器的平均分类精度为93.38%,基于SIFT方法的平均识别精度是92.12%,表明本文提出的方法对回转窑烧结状态有较好的识别和预测结果。