回转式空气预热器是火力发电厂里常用的锅炉尾气热量回收装置，其工作原理是利用锅炉里待排放的热烟气，来加热即将进入炉膛里助燃的冷空气，这样可以有效地提高能源的利用率。空气预热器因其结构的原因，普遍存在漏风的问题，当热态运行时，转子会受热应力作用而发生变形，此时，会造成大量已经预热过的空气泄露，从而导致巨大的能源浪费和经济损失，甚至会迫使整个机组降负荷地运行。又因为空气预热器内部环境恶劣，密封间隙测量探头故障时有发生，为消除故障对间隙控制系统的影响有必要进行转子形变量预测。　　本文的主要工作如下：　　利用栈式自编码网络（Stacked Auto-encoder，SAE）、深度信任网络（Deep Belief Network，DBN）、卷积神经网络（Convolution Neural Network，CNN）以及经典神经网络（Neural Network，NN），分别对MNIST数据库的手写数字图片进行识别，结果表明深度学习模型学习能力明显优于经典神经网络。　　基于热弹性力学理论，分析径向隔板水平方向和竖直方向的热应力以及剪应力，分别建立了径向隔板的热应力和热应变模型，进而求解转子热态运行过程中，蘑菇状变形的形变量，通过定量的计算，结果表明，模型合理，但精度不高。　　将新兴的深度学习（Deep Learning）理论引入到预测模型中，提出一种基于深度学习的空气预热器转子热应力变形形变量预测模型，即 SAE-Elman模型，本文是通过构建含有多个隐藏层的网络，并使用大量的数据来训练模型，以便能够学习得到更有用的特征，进而提高模型预测的准确性。该模型是将栈式自编码网络与Elman神经网络相结合，通过栈式自编码网络学习得到隐含在烟气和空气侧进出口温度数据内部的特征信息，再利用栈式自编码网络学习到的特征和实测形变量值训练Elman神经网络，最终得到SAE-Elman预测模型。　　仿真数据来自某电厂600MW机组，分别采用SAE-Elman、BP、Elman神经网络方法建立转子热变形预测模型，并对结果进行了对比。测试结果表明，所提出的基于深度学习的预测模型能够更为精确地对空气预热器转子形变量进行预测，且模型预测的最大绝对误差是0.35mm，而空气预热器间隙控制系统扇形板每次调节的高度为0.5mm，因此作为一种间隙测量探头损坏后的后备控制方案，模型精度基本满足要求。