球磨机是应用于电力、化工等流程领域的典型设备。该设备负荷参数的准确检测对于优化生产调用、设备安全运行、节能降耗起着至关重要的作用。目前,球磨机负荷参数的检测采用软测量方法。但是,传统的软测量方法建立在数据同分布的前提下。球磨机在运行过程中,由于设定任务的变化、机械设备的老化、外界环境的改变等因素,工况和数据分布随之改变,造成模型失配的问题。如何从分布不同的数据中获取特征为待测工况提供可以利用的信息,成为摆在面前的一个关键问题。迁移学习放宽了数据同分布的前提条件,通过抽取领域间“隐含语义”或挖掘领域间“共享知识结构”,迁移源域已有的知识来解决未知但与源域相关的学习问题。本文根据迁移学习中特征映射的思想,研究基于流形正则化域适应湿式球磨机负荷参数软测量的方法。但是,流形正则化域适应是一种无监督的特征映射方法且仅利用一个历史工况数据。不同工况数据有信息互补的特点,同时标签信息融入特征映射的过程可以提高公共子空间数据的可辨识属性。因此,研究基于半监督多源域适应的球磨机负荷参数软测量。在实际运行中,我们有可能在待测工况中获得少量有标签数据。由于运行环境的复杂性,即使在同一负荷参数的情况下振动信号也会存在很强的不确定性。针对上述情况,研究优化半监督域适应模糊推理方法。该方法可以利用待测工况少量有标签数据修正模型,提高模型的泛化能力。本文具体研究内容为:(1)针对多工况条件下球磨机关键负荷参数测量面临的复杂性问题及待测工况样本少的问题,研究基于流形正则化域适应湿式球磨机负荷参数软测量的方法。与现有的传统建模策略、多工况条件下的建模策略相比较,模型的预测精度得到显著提升,从而验证该方法的有效性。(2)针对球磨机工况改变后,历史数据与待测数据分布失配导致的模型失配问题以及待测工况样本少的问题,研究半监督多源域适应方法进一步提高软测量模型的预测能力。通过与流形正则化域适应方法对比,模型的预测能力、适应度进一步提高,结果更加可靠。(3)研究优化半监督域适应模糊推理方法。该方法通过半监督域适应模糊推理建模后,利用目标域少量带标签数据修正模糊规则。实验结果表明,通过目标域少量带标签样本的修正,模型的泛化能力加强。