软测量技术作为一种在线检测技术,被广泛应用于化工过程重要质量指标在线估计研究中,其核心内容是建模方法的研究。人工智能技术被广泛应用于软测量建模方法研究,常用的主要有人工神经网络(ANN)、支持向量机(SVM)和关联向量机(RVM)等。虽然与ANN、SVM相比,RVM具有核函数选择方便、计算量小、模型稀疏程度高等优点,但存在着预测精度有待提高、仅适用于单输出对象等局限。本文对常规关联向量机进行了改进,提出了两种改进的关联向量机建模方法,并将其应用于甲醇制烯烃(MTO)生产过程烯烃收率软测量研究中。主要工作如下:(1)在详细叙述软测量技术实施步骤的基础上,首先比较了各种基于人工智能技术的软测量建模方法研究发展现状,然后着重对RVM的改进策略及其软测量应用现状进行了总结分析;(2)为了提高RVM模型的预测精度,适应强非线性、多工况特性的实际工况需求,提出了一种基于鱼群算法(AFSA)优化BP神经网络(BPNN)的改进关联向量机建模方法,采用AFSA对BPNN初始参数进行优化选择,加快BP网络的收敛速度从而达到全局最优;然后采用优化后的BPNN来构建多个关联向量机子模型,进行非线性融合,以提高模型的非线性预测能力。并用一个非线性函数作为测试对象,对所提出建模方法进行了性能测试,测试结果验证了该建模方法的有效性;(3)为解决RVM在多输入-多输出过程对象中的应用问题,提出了一种基于混合核函数的改进关联向量机建模方法,将多输出关联向量机(MVRVM)替代传统的RVM,并采用AFSA对组合核相关参数进行自优化选取,有效避免人为直接设置的主观性,最后采用一公开数据集对模型进行了性能测试;(4)以DMTO工艺反应再生阶段为应用研究对象,将提出的所改进关联向量机建模方法应用于烯烃收率软测量研究中,仿真结果表明:采用基于AFSA-BPNN的MRVM模型非线性融合软测量建模,具有良好的非线性预测能力,较单一模型具有更高的预测精度;基于鱼群算法优化组合核参数的MVRVM软测量模型,则能成功实现乙烯和丙烯双烯烃收率的同时输出,且具较好的预测效果。本文开展地改进关联向量机建模方法及其软测量应用研究工作,对过程工业软测量建模技术的研究和发展具有一定的借鉴意义和应用价值,也为实现甲醇制烯烃生产过程的质量监控提供了一种有效方法,为化工生产过程的控制、优化等研究提供重要的基础,有助于提高过程工业的生产操作水平,满足生产过程高效低耗运行的要求,进而提升传统过程工业的竞争力。