钢铁行业作为国民经济的重要基础产业,在推动工业化的进程中发挥了举足轻重的作用。但随着该行业的不断发展,稳定的铁矿石原料供给已成为制约其发展的瓶颈。为实现高效率、低成本、无污染地将产量巨大的铁矿石运输至目的地的目标,管道水力输送已成为一个重要的发展方向,并得到了日益广泛的应用。虽然利用管道输送矿浆具有输送量大、节能环保、损耗低等诸多优势,但也存在较高的风险:管道内的固体颗粒可能会发生淤积、堵塞。堵塞现象的发生降低了输送效率,影响了工况的稳定性,而且严重时还可能导致整条管道报废。本文针对铁精矿浆输送管道面临的堵塞问题,通过借助机器学习和现代信号处理方法,研究了有效的临界淤积流速预测模型和堵塞故障识别模型,目的是为铁精矿浆输送管道堵塞故障的识别提供科学合理的判别思路和方法。本文主要开展了如下研究工作:(1)针对铁精矿浆管道水力输送的复杂特性,自主设计并搭建了综合性的铁精矿浆输送管道实验平台。基于该实验平台,开展了物料和矿浆的相关特性、矿浆的输送工艺以及临界淤积流速测定等方面的实验研究。根据相关实验结果,分析了传统临界淤积流速计算公式存在的缺陷,临界淤积流速的主要影响因素,固体颗粒的受力情况与运动形式,以及不同输送流速下固液两相流的流态变化特征。(2)针对传统的基于机理分析和数值模拟的临界淤积流速确定方法存在建模复杂、预测难度大且精度低等的问题,提出了基于改进混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)的铁精矿浆输送管道临界淤积流速组合预测方法,为准确选定铁精矿浆的输送流速提供了合理的判定依据。本方法通过利用改进的SFLA算法对组合预测模型的权值系数进行优化,使得构建的模型综合利用了各单一预测模型提供的有效信息,同时也避免了在优化过程中容易陷入早熟收敛和局部最优的问题。通过不同误差评价指标的比较,结果显示其误差平方和、平均相对误差以及平均绝对误差仅分别为0.79%、2.05%和2.39%,证实了所构建的组合预测模型有着比传统预测模型和临界淤积流速计算公式更优的预测性能。(3)针对铁精矿浆输送管道的声学堵塞信号非平稳、非线性特征提取难,以及模式识别中存在的噪声和野值点带来的影响,提出了基于局部均值分解(Local Mean Decomposition,LMD)、信息熵和改进的极限学习机(Extreme Learning Machine,ELM)相结合的铁精矿浆输送管道堵塞故障识别方法。通过结合LMD和信息熵理论提取出相应的信息熵测度指标,进而建立基于模糊理论的堵塞故障识别模型。经实验测试可知,联合不同信息熵的测度指标实现了信号中不同层次内在特征的有效刻画与定量诠释。随着添加噪声比率的提高,所提出的方法的故障识别率仍维持在83.33%~91.67%之间,证实了该方法具备了良好的抗噪声干扰性能和堵塞故障识别效果。(4)针对单一核函数难以全面诠释模型的决策函数,特征间存在的冗余以及非均衡样本对模型影响较大的问题,提出了基于最大相关最小冗余(Minimal Redundancy Maximal Relevance,MRMR)和多核极限学习机(Multi-Kernel Extreme Learning Machine,MKELM)相结合的铁精矿浆输送管道堵塞故障识别方法。为实现混合域最优特征到核函数空间的映射,本方法通过利用MRMR算法对所提取的混合域特征集展开优选,进而构建基于全局核函数和局部核函数的多核识别模型。实验结果表明,所提出的方法在样本均衡分布情况下的识别精度达到了96.67%,且在样本不均衡分布情况下的分类测试中,对少数类样本误诊的概率仅为20%。其不但有效地提高了模型的计算效率和识别准确率,而且还有着更优的可靠性和实用性。本文以铁精矿浆输送管道的堵塞故障识别问题作为研究的出发点,提出的管道临界淤积流速预测模型和堵塞故障识别模型丰富了铁精矿浆输送管道的堵塞故障识别理论和方法,推动了堵塞故障识别技术的应用与发展。