回转窑被广泛的用在金属冶炼、化工、建材、耐火材料等诸多行业的生产过程当中,并且在这些领域的生产过程当中,它占有着举足轻重的地位。回转窑是整个生产工艺过程中的核心设备,煅烧带的温度反映窑内物料的燃烧状态,它直接影响着产品的质量和产量。然而在目前的生产过程中,因为回转窑煅烧带温度较高,没有办法直接测量窑内温度的变化情况。本文提出一种基于泄露积分型回声状态网络的软测量方法。具体的研究工作如下:(1)本文的主要研究对象为回转窑,它的煅烧过程会受到较多变量的影响,并且这些变量之间存在着严重的耦合与干扰问题。本文对采集到的数据使用主成分分析的方法进行降维处理,对高维空间降维消除变量之间存在着的耦合问题,减少模型的输入,从而降低问题的复杂性。(2)提出一种改进的回声状态网络。泄露积分型回声状态网络是在标准回声状态网络的基础上,在储备池状态方程中多加入一个泄漏率参数。它进一步提高储备池的短期记忆能力,从而改善网络的性能,提高网络的预测性和适应性。在输出权值计算过程中,由于线性回归算法容易使储备池产生“病态”解的问题。提出使用岭回归算法,通过施加正则项系数消除线性回归算法求解过程中出现“病态”解的问题。(3)针对网络储备池内部参数是随机生成并不是最优参数的问题,使用二进制粒子群算法对储备池内参数:储备池的规模N、储备池输入收缩因子IS、储备池谱半径SR、储备池稀疏程度SD进行优化。得到优化后的泄露积分型回声状态网络模型。(4)对经过主成分分析降维处理的数据进行仿真,使用本文方法、采用粒子群算法优化的标准回声状态网络与BP神经网络模型对回转窑煅烧带的温度预测效果进行对比,仿真结果表明本文所提出的方法预测精度更高。