在燃煤窑炉生产领域,回转窑烧结是一类典型的复杂工业过程,具有大滞后、强耦合、多干扰、时变、非线性等特点。在近年来工业回转窑烧结过程的测控研究中,烧结带温度的测量和控制方面取得了一些成果,但是基于火焰图像的烧结温度软测量易受现场粉尘和烟雾干扰,对烧结带温度的过分依赖使得控制器的投运范围较窄。现有利用现场信号的建模方法,都是基于单个样本点的预测,容易忽视热工信号动态变化趋势之间的规律。论文提出一种基于时序趋势特征的回转窑喂煤支持向量机(Support Vector Machine, SVM)分类方法,通过对一定时间段内热工数据的趋势特征的提取,用多个样本点的趋势值代替单个样本点值,在窑前数据的趋势特征基础上,建立回转窑喂煤的支持向量机预测模型,避免了单一依赖烧结带温度信号的控制,提高了窑前控制的鲁棒性。论文的主要内容如下:首先,研究基于线性拟合的回转窑热工数据的趋势特征提取。将回转窑数据视为时间序列样本,通过基于关键点和等间距滑窗的方法将时间序列样本分段线性化表示,并提取相应的趋势特征。采用聚类分析方法,去除关联不紧密的样本点,基于粗糙集理论对特征化的样本进行属性约简,形成最终训练样本。其次,在支持向量机分类预测过程中,采用粒子群和遗传算法两种启发式优化算法优化支持向量机学习过程中的惩罚参数和核函数方差,有效提高了分类预测准确率。最后,利用工业现场数据仿真实验,通过对基于单个样本点和基于关键点趋势特征的喂煤趋势分类对比,验证了基于趋势特征的分类方法有更高的准确率。仿真实验还对比研究了两种分段线性化方法、时间窗口长度等参数选取对SVM分类器精度的影响。利用上述方法对某氧化铝回转窑现场7小时以上实际喂煤趋势进行分类预测测试,准确率达到了70%左右,表明该方法具有较好的实际应用价值。