软测量技术就是根据工业过程知识合理地选择其它易测变量,建立易测变量与难测变量间的软测量模型对难测变量进行最优估计,有效解决了在高温、密闭等恶劣环境下,由于硬件传感器的局限性而无法对那些重要过程变量进行直接测量的问题。软测量技术为现有传感器的检测和控制提供了有效手段,因而成为当前复杂工业控制领域的研究热点。近年来,随着智能学习算法的飞速发展,将深度学习应用到复杂工业现场已经成为热门研究方向。本文利用深度学习强大的学习能力,将软测量技术和深度学习相结合,提出一种基于深度学习的复杂工业过程软测量方法,并将此模型用于回转式空气预热器转子热变形预测中,为转子漏风技术提供较为准确的热变形量。本文具体研究如下:(1)本文首先将电厂600MW机组电站锅炉空气预热器的现场数据进行采集。然后采用灰色关联分析(Grey Relational Analysis,GRA)方法选取对转子热变形有显著影响的变量,为模型训练提供可靠的输入变量。最后将数据进行筛选以及归一化等操作,将处理后的数据利用“留出法”选取互斥的训练集和测试集作为网络模型样本数据。通过选定的样本数据,可以在同一样本数据集的前提下,进行不同模型方法的对比分析。(2)采用(1)中所得的训练集和测试集,分别对基于BP神经网络的软测量方法、基于SVR算法的软测量方法进行网络模型的设计和仿真,并在分析基础之上构建基于DBN-DNN算法的深度学习软测量模型,通过训练集和测试集的均方误差进行网络模型的优劣性分析。结果表明基于深度学习DBN-DNN的软测量方法的预测精度较高,为本文基于深度学习的新型软测量网络的构建提供模型基础。(3)为了进一步提高预测精度,将能够充分表达数据特征信息的深度置信网络(Deep Belief Network,DBN)和具有很强非线性回归能力的支持向量回归(Support Vector Regression,SVR)算法进行融合得到新型软测量网络结构。利用改进的粒子群优化算法(Improved Particle Swarm Optimization,IPSO)选取SVR模型最优参数,并应用于新型网络结构中,得到新型软测量模型DBN-IPSO-SVR。并将改进的粒子群优化算法和传统的粒子群优化算法进行仿真对比,结果表明改进的粒子群优化算法能够提高预测性能。(4)将提出的新型软测量模型DBN-IPSO-SVR和基于BP、SVR、DBN-DNN方法的软测量模型进行图示分析,从而突出新型软测量模型网络结构的优越性;并将新型软测量模型分别和已有文献中关于转子热变形预测的基于SAE的软测量方法、不同应用领域中的基于MLP、ELM的软测量方法进行对比,从而突出新型软测量模型的通用性和精确性。通过对所提出的新型软测量模型方法DBN-IPSO-SVR进行了性能评估。实验结果表明,该新型软测量模型的性能优于其它软测量方法,该软测量模型显著提高了转子热变形预测的性能,是控制回转式空气预热器漏风的一种有价值的非接触测量工具。