回转窑是一种大型的、生产水泥、氧化铝等工业原材料的核心热工设备，用于将生料进行复杂的物理与化学处理，从而生产出熟料。但是在生产过程中窑体不断的旋转，加上窑内复杂的燃烧、烟气与物料的对流换热等因素，使得关键的工艺参数无法在线检测，进而难以实现对回转窑生产过程的自动控制。目前回转窑熟料烧结工况识别仍依赖于工业电视“人工看火”，其易受操作人员主观因素影响，容易出现产品质量低、设备运转率差、产量低和能耗高等问题。
　　烧成带区域的熟料烧结工况与熟料质量紧密相关，烧成带图像是判断熟料烧结工况的重要依据，这为研究基于烧成带图像的回转窑熟料烧结工况识别方法奠定了基础。而窑体的不断旋转以及烟雾粉尘的干扰，造成了烧成带图像质量不高，显著区域有较强的耦合性。目前基于静态图像的识别方法易受各种噪声影响，导致工况识别准确率较低。而烧成带视频图像序列蕴含了熟料烧结工况更全面更鲁棒的信息，能够更准确的反映熟料烧结工况的动态变化，所以，利用图像处理技术结合机器学习和深度学习的研究成果，研究基于烧成带视频图像的回转窑熟料烧结工况识别方法，具有重要的价值和意义。
　　针对上述问题，本文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”，以水泥回转窑为研究对象，采集烧成带图像视频序列，考虑时间序列数据的特点，结合半监督学习方法，利用机器学习和深度学习相关技术开展了基于烧成带视频图像的回转窑熟料烧结工况识别方法的研究。本文的主要工作如下:
　　(1)针对目前基于静态图像的回转窑熟料烧结工况识别方法的不足和有监督学习方法需要大量人工标定样本的缺陷，研究基于烧成带视频图像序列动态信息的半监督学习和隐马尔可夫模型(HMM)的回转窑工况识别方法。首先将图像序列信息进行预处理和PCA初步特征提取，接着加工为快慢尺度两种样本序列。快慢尺度样本指的是在图像采集卡按照一定的帧速率（毫秒级）采集的视频样本的基础上，按照短时间间隔（如每帧或若干帧间隔，毫秒级）或长的时间间隔（如1个工况识别周期，秒级）提取在该时间间隔内的单帧或多帧动态信息，加工为1个快尺度或慢尺度样本（如可以取均值或对特征向量扩维），进而生成快尺度或慢尺度样本序列。相较于静态图像，快尺度样本序列反映烧结工况短时间内的特性变化;慢尺度样本序列反映了烧结工况在长时间内的切换和过渡特性。然后利用带类别标定的快尺度样本序列采用监督学习方法建立快尺度动态信息分类器，如混合高斯模型-隐马尔可夫模型(GMM-HMM)或支持向量机模型(SVM)，利用无标签的慢尺度样本序列采用无监督学习方法建立慢尺度动态分类器(GMM-HMM)，然后基于HMM滤波器框架将上述快慢尺度分类器加以融合，提出了一种基于快慢尺度动态信息的半监督时间序列分类器方法。进一步采用基于图的测度传播(MP)半监督学习方法，结合通过监督学习建立的快尺度动态信息分类器，提出了一种基于MP的半监督快尺度动态信息分类器，上述两种方法由于利用了无标签样本信息和时间序列的快慢尺度信息，能够进一步提高烧结工况识别准确率。
　　(2)针对时间序列数据特征表达和分类问题的复杂性，考虑到深度神经网络相较于GMM-HMM的模型容量大，能够从海量数据中发现隐藏的有用信息从而学习特征表达，并且能够对动态时序问题建模(如循环神经网络RNN)，因此使用深度学习方法进一步研究。提出了两种基于烧成带视频图像序列动态信息的分类器方法:第一个是使用循环神经网络(RNN)作为分类器，对回转窑图像序列数据经预处理和PCA初步特征提取之后的快尺度样本序列进行分类;第二个是使用卷积-循环神经网络(CNN-RNN)深度学习分类器，对快尺度样本序列进一步特征提取和分类。在模型的构建过程中，对优化算法的学习率、L2正则项系数、卷积神经网络dropout比率、网络的层数等超参数进行优化选择，从而确定模型结构。
　　(3)利用某水泥厂的回转窑熟料烧结视频图像序列，在10％、30％、50％有标签比例样本集上开展了上述方法的实验研究。实验结果表明，相对于传统静态分类器，本文提出的两种基于时间序列动态信息的半监督学习分类器的分类准确率有较大提高，而且在结合基于动态信息样本的SVM上，验证了两种结构框架的有效性和通用性。最后使用TensorFlow库构建两种深度学习模型，优选超参数，确定模型结构，并在最后比较分析了快尺度GMM-HMM、RNN和CNN-RNN这三种针对时间序列问题分类器的效果。