在工业生产和制造过程中,有一些变量出于技术或经济的原因,无法直接测量,但是这些变量对于保证产品的质量和保证生产装置的平稳运行都十分重要。为解决这个问题,软测量技术应运而生,并已发展为当前过程控制领域研究的热点之一。软测量技术的基本原理是根据某种最优准则,选择一组在工业上容易检测而且与主导变量有密切关系的辅助变量,通过构造某种数学关系,来实现对主导变量的实时估计。本论文的主要研究工作包括以下几个方面: 1.对当前软测量技术的发展、现状和特点等作了简单概述,并介绍了软测量技术的概念、基本模型以及一些常用的软测量建模方法,其中重点介绍了几种典型的基于数据驱动的软测量建模技术。 2.为了解决神经网络隐含层节点数难以确定的问题,提出了一种从RBF神经网络隐含层的输出信息出发,通过PLS快速剪枝法,一次性地剪去多余节点,生成最优规模的数学模型的方法。仿真研究说明了该方法的有效性。 3.为了提高软测量模型的泛化能力,使用了基于统计学习理论(STL)和结构风险最小化(SRM)原理的最小二乘支持向量机(LS-SVM)方法来建立软测量模型,实验室仿真表明,该方法具有建模样本需求量少,预测精度高的优点。 4.用基于PLS快速剪枝法的RBF神经网络建模技术和最小二乘支持向量机建模技术分别对某化工企业精对苯二甲酸(PTA)晶体平均粒径以及某硫酸厂复合肥装置的养分含量建立了软测量模型。通过实际工业数据仿真表明,这两种方法均具有计算速度快、模型精度高的特点,适合实际工程应用的需求。 最后,在总结全文的基础上,探讨了软测量建模技术有待进一步研究和探讨的问题。