间歇过程具有小批量生产、高附加值等诸多优点,在现代工业制造中占据着重要的地位。近年来,随着数据存储与传感器技术的快速发展,数据驱动的方法已成为间歇过程质量预测与运行优化领域的重要研究方向。然而,建立一个数据驱动模型通常需要大量且完备的历史数据。对于某些实际生产过程,比如刚投入运行的新间歇过程,可用的建模数据往往不足,导致传统的数据驱动的预测和优化方法难以有效实施。本文针对这类数据不足的间歇过程的质量预测与运行优化问题展开研究,主要的研究内容如下:(1)针对间歇过程数据不充足难以准确建模,以及自身的过程非线性问题,提出一种JYKPLS过程迁移模型。该模型的优势在于,能够充分利用相似过程中的有用数据,弥补新间歇过程建模数据的不足,进而节约生产成本,提高建模效率。在该模型的基础上,进一步提出一种基于过程迁移模型的间歇过程质量预测方法。该方法首先利用JYKPLS方法结合相似过程数据建立质量预测模型。在线预测时,采用基于PCA映射的数据预估法对未知数据进行补充。当生产批次结束时,将积累的实际运行数据更新到建模数据集中,并根据相似性大小逐步剔除相似过程数据,从而进一步提高模型的预测精度。最后,将所提出方法运用于预测青霉素浓度。仿真结果表明,只需少量的新过程建模数据,该方法就能取得良好的预测效果。(2)在上述质量预测方法的基础上,针对数据不足的间歇过程,提出一种基于过程迁移模型的间歇过程批次间运行优化方法。该方法首先采用基于过程迁移模型的优化方法来求解操作变量的设定值,能够充分利用相似过程数据帮助新过程快速实现批次间运行优化。然而,过程迁移模型与实际过程之间往往一定的偏差,使得优化时存在NCO不匹配问题,并导致基于过程迁移模型得到的优化结果只是次优解。为了解决这个问题,本文进一步提出一种基于即时学习和信赖域方法的优化补偿方法。该方法将次优设定值作为查询点,利用基于即时学习的局部模型描述其补偿值与经济指标增量间的相关关系。并在该局部模型的基础上,采用信赖域方法求解次优设定值的优化补偿值。接下来,利用该补偿值修正次优设定值就能使优化结果进一步接近最优。最后,将所提方法运用到草酸钴合成过程的运行优化中,验证了所提出方法的有效性。在文章的最后,总结了本文的主要工作,并对未来的研究内容进行展望。该论文有图21幅,表5个,参考文献88篇。