在许多工业生产过程中,软测量技术可以有效的代替物理仪器系统,解决生产过程中关键变量因受恶劣环境、经济或者技术条件限制而难以在线测量的难题。然而,很多工业过程受本身结构特征、复杂物理化学反应、外界因素等影响而存在严重的非线性和时变性,给传统软测量模型训练和应用带来了困难。即时学习建模策略是解决此问题的一条有效途径,越来越受到学术界和工业界的关注。本文以青霉素仿真发酵过程和工业红霉素发酵过程为对象,围绕基于即时学习的软测量建模方法展开了研究工作,具体内容如下:(1)提出了综合相似度指标。传统即时学习建模方法通常只根据样本输入变量间的相似度来选择相关样本,而忽略了所选相关样本输出变量可能存在异常值。本文提出一种基于输入输出综合相似度指标的即时学习软测量建模方法。在该方法中,首先利用传统的基于距离和角度的相似度指标分别对样本输入输出变量进行相似度计算,进而对相似度进行综合,最后选择出最终的相关样本集,建立高斯过程回归软测量模型。与传统基于马氏距离和基于距离角度的相似度指标的即时学习建模方法相比较,案例研究结果表明所提方法能够有效剔除异常值,提高相关样本质量,所建模型具有较高的预测精度。(2)引入高斯核函数作为相似度指标,并提出了基于JIT-Bagging的软测量建模方法。在即时学习建模中,相关样本集的确定对预测精度至关重要。但是,如何确定相关样本集的规模仍然有待进一步研究。并且传统即时学习软测量方法通常利用所选出的全部相关样本建立单个整体模型,而对于复杂的非线性生产过程,所建模型的预测性能会具有一定的局限性。本文提出一种基于Bagging和即时学习软测量建模方法。在该方法中,首先利用高斯核函数对综合相似度指标作改进;其次,基于Bagging和即时学习方法,建立软测量模型,并采用了GPR和PLS两种建模方法进行比较研究。以典型非线性系统仿真过程和青霉素发酵仿真过程为对象,研究结果表明所提JIT-Bagging-GPR模型具有更好的预测性能和鲁棒性。(3)提出了基于即时学习和移动窗的预估-校正软测量建模方法。传统即时学习软测量建模过程仅考虑了查询样本与相关样本之间的空间属性相似度,而忽视了局部生产工况动态特征。本文提出了一种基于即时学习和移动窗相结合的软测量建模方法(JIT-MW)。该方法中,首先建立即时学习模型对查询样本进行初步预估;然后,采集该查询样本相邻移动窗口数据构建局部模型训练集;最后,基于新的训练集建模并实现对查询样本点的校正估计。为了验证所提建模策略的有效性,以青霉素发酵仿真过程和工业红霉素发酵过程为对象,采用高斯过程回归工具进行建模和评估。相比于传统基于即时学习的高斯回归模型(JIT-GPR),本文所提方法能够获得更高的预测精度,对传统即时学习模型预测结果具有较好的校正能力。