预分解新型干法水泥生产技术将物料的预热和分解分别移至悬浮预热器和分解炉,悬浮状态下的换热、分解速度远高于回转窑中堆积态下的速度,根本上改变了生料分解的传热状态,大幅提高了热效率和生产效率,成为当今水泥工业发展的主流。生料分解率是衡量水泥熟料质量的重要指标,确保分解率稳定地保持在工艺要求的范围内是分解炉乃至整个窑系统控制的关键。因而,分解率反馈信息的准确性与实时性至关重要。生料预分解系统中,各过程变量可通过检测仪表进行在线快速率采样,而生料分解率则通过人工采样离线化验的方法检测,慢速率采样信息无法及时反映过程工况。软测量是解决该问题的有效方法,但预分解系统工艺复杂,难以建立精确的机理模型。数据驱动软测量建模方法由于获得过程相关信号相对容易而得到广泛研究和应用,而现有的数据驱动模型多为静态模型,过大的重采样间隔导致动态信息丢失、模型性能较差。而基于多速率系统辨识的动态软测量需要精心设计非线性测试实验以获取可靠的动态过程数据,从而获得准确的系统数学模型；且其优化算法代价昂贵难以保证全局最优解。因而,需要深入分析预分解系统过程特性和数据特点,建立基于快采样速率输入数据和慢采样速率输出数据的关联推理动态软测量模型,以满足人工决策调整、过程运行安全监控、自动推理控制及实时操作优化的需求。本文从推理建模学习的角度将生料预分解等多速率系统的动态软测量问题归结为多变量时间序列回归问题,是驱动数据具有非线性分布与“时间-空间”双重关联特点的高维学习问题。对此,本文结合数据挖掘与机器学习相关知识,提出基于动态数据特征提取的支持向量回归模型,并实现生料分解率的软测量。主要工作如下：(1)采样自水泥生料预分解等复杂工业过程的多变量时间序列数据具有非线性、高维、冗余特点,流形学习方法中的局部保持投影(LPP)通常被用来提取此类数据的主要特征。但高频率采样的过程动态数据还具有函数型特点,其空间维变量与时间维变量之间具有双重关联结构模式特性。将粗糙度惩罚以加性方式引入LPP提出的惩罚局部保持投影(PLPP)能够保留函数型数据的光滑性。但LPP、PLPP等基于向量展开形式数据的算法,在输入空间高维、训练样本数目少、输入变量强关联等情况下会出现矩阵病态问题从而导致特征值分解失败；另一方面,基于向量展开形式表示的样本进行子空间的学习还将破坏数据不同维度上以及各维度之间的关联结构。基于以上分析,本文将加性粗糙度惩罚引入基于矩阵形式直接表示样本的2D局部保持投影算法(2DLPP),提出2D惩罚局部保持投影(2DPLPP),该算法保留数据“时间-空间”2D关联结构的同时保留了数据时间维上的光滑性。在此基础上,本文进一步提出双向2DPLPP算法对动态数据的时间维和空间维同时进行维数约简,从而获取更能反映数据双重关联结构特性的特征表达,并可以避免病态问题、降低特征值分解的规模,而且更加适合小样本学习问题。结合数据挖掘与机器学习,本文提出基于双向2DPLPP特征提取的ε-SVR软测量建模方案,并用以实现水泥生料分解率的软测量。基于多种特征提取方法的软测量对比实验结果表明双向2DPLPP方法的有效性。(2) 2DPLPP等流形学习过程中,权矩阵(相似度矩阵)的构造通常基于线性空间的欧氏距离以及热核赋值。其中欧氏距离将所有形式数据等同为向量,无法利用矩阵(二阶张量)数据的拓扑结构,因而难以获取隐含在数据中的多模关系。针对该问题,本文以张量数据分析为基础,结合权矩阵与核函数的一致性,采用格拉斯曼流形上的弦距离代替欧氏距离,提出张量因子权矩阵以改进2DPLPP等流形算法。其中,弦距离考虑了数据的输入不变性,拓扑结构的获取和运用使其鲁棒性远高于欧氏距离。然而,基于距离度量的权矩阵对数据的可靠性要求较高,此类方法对噪声相对敏感。本文基于数据采样时序关系提出的时序权矩阵相当于将数据的采样信息作为监督信息引入到无监督算法,有效提高了算法的鲁棒性。在此基础上,本文还实现了上述多种权矩阵构造方法的混合。仿真实验结果表明,张量因子权矩阵和时序权矩阵都能提高软测量模型的精度。