纺织行业是我国支柱产业之一,聚酯纤维作为最重要的纺织品原料,其产量占我国纺织材料总产量的八成左右。聚合是聚酯纤维熔体直纺工艺的首要工序,聚合过程质量对聚酯纤维产品质量以及后续工艺流程都有重要影响,而特性粘度是聚酯纤维聚合过程中的关键质量指标之一,特性粘度波动过大会造成纺丝成型不良、飘丝、并丝等诸多质量问题。目前,聚酯纤维聚合过程特性粘度主要以事后检测为主,该方式具有滞后性,不能提前介入生产过程参数调控,造成生产过程损耗大,生产效益低等问题。特性粘度波动受聚合过程多阶段众多过程参数影响,同时,考虑到聚合过程参数的高维时序性、时滞性、非线性等复杂特性,当前的预测方法难以适用。因此,针对上述问题,本文对聚酯纤维聚合过程特性粘度预测问题展开如下研究:1)针对聚酯纤维聚合过程的时滞性、过程参数的维度高、参数间冗余性强且数据缺陷显著的特点,提出基于时滞相关性分析的过滤式过程参数选择方法,通过该方法输出预测模型的输入参数子集。首先,针对过程参数的数据缺陷,对原始数据集进行预处理;然后针对过程参数间的时滞性、高维度,以最大信息系数为过程参数重要性评价标准,融合最大交叉相关性时滞计算方法,对过程参数和特性粘度间做相关性分析;其次,针对过程参数集中的冗余过程参数,提出基于近似马尔科夫毯的冗余性分析方法,去除数据集冗余过程参数;最后通过方法实验和案例实验验证本文方法的有效性。2)针对聚酯纤维聚合过程特性粘度影响参数众多,反应过程复杂,数据间具有非线性时序关系的特点,以过程参数选择方法的输出作为模型的输入对象,提出一种基于时间卷积与注意力门控神经网络的特性粘度预测方法。该方法通过时间卷积网络挖掘高维时序数据特征内部空间关联,强化模型了特征提取能力;通过门控神经网络挖掘多维度时序数据长期依赖关联关系,同时,引入注意力机制,给予门控神经网络模型隐含层状态不同的权重,减少深层特征掩盖并加强重要时序特征的影响。最后,通过实际生产数据对比其他文献所提不同算法的预测精度,验证本文所提方法的有效性。最后,以浙江省某聚酯纤维生产企业聚酯车间为工程背景,分析基于微服务架构的特性粘度预测系统的实际需求,设计和开发了聚酯车间特性粘度预测系统,并通过工程案例予以验证,为聚酯车间特性粘度调控提供了有效手段。