聚酯纤维是国家重要的化工原材料之一，是国民经济当中的重要组成部分。熔体输送过程是聚酯纤维制造的重要环节，熔体从聚合环节流入，经过熔体输送环节到达纺丝环节。纺丝环节对熔体输送环节输送的熔体性质具有严格的要求，简言之，如果熔体输送环节不能保证输送的熔体性能，聚酯纤维的原丝性能就会受到很大影响，无法满足生产要求。对于熔体输送环节而言，热媒泵等工艺参数的设置决定了输出的熔体性能，然而在目前的工业生产当中，熔体输送工艺参数的设定依然是依靠工艺人员的经验设定，缺乏理论指导。
　　本文在聚酯纤维智能制造背景下对熔体输送过程进行智能混合建模、工艺参数智能优化，完成了以下工作：
　　（1）基于增量式极限学习机的熔体输送过程正向智能混合建模。目前对熔体输送过程一般采用机理建模，但其依赖装备参数，预测精度不高。针对这一问题，采集工业现场实际数据，计算机理模型的误差，构建了基于机理模型误差补偿的数据驱动模型。为了保证数据驱动模型的速度和建模精度，提出集成式增量极限学习机算法，即采用动态集成多个极限学习机的方法，提高建模精度。通过数据驱动模型的补偿，构建了熔体输送过程的智能混合模型。仿真验证了以上设计的熔体输送过程的智能混合模型，讨论分析其在不同输入下的仿真建模的预测效果。
　　（2）提出了针对熔体输送过程的工艺参数智能优化算法 A-RVEA。经过机理分析，熔体输送过程的五个性能指标之间存在复杂的耦合和制约关系，解的前沿面非凸，多目标优化算法能够对该类问题进行有效求解。首先，根据正向智能混合模型的输入和输出建立反向优化模型的决策变量和目标函数；然后，针对熔体输送优化问题的高维多目标特性，分析了现有高维多目标优化算法 RVEA 的优势和劣势，提出了一种根据种群当前多样性和收敛性自适应调整个体选择策略的改进算法A-RVEA。最后，在多目标优化算法的测试函数上对A-RVEA进行了验证，并将算法应用到熔体输送过程的工艺参数优化，分析验证了A-RVEA优化算法的有效性。
　　（3）提出了基于增量极限学习机OS-ELM的代理辅助优化算法OSELM-RVEA。由于熔体输送机理模型的时间复杂度较高，机理模型作为多目标优化算法的评价函数导致优化算法的评价成本昂贵，整个算法的时间成本高。针对以上问题，提出利用增量极限学习机 OS-ELM 训练代理模型，在多目标优化算法进化过程中通过代理模型管理策略，有机地采用代理模型作为评价函数，减少算法的运行时间。在模型更新时，利用OS-ELM的增量学习特性快速更新模型，减少算法的时间复杂度。最后，在WFG系列测试集上测试了OSELM-RVEA算法的有效性，验证了其在运行时间上的良好性能，并将算法应用到熔体输送过程的工艺参数优化，讨论并分析了算法的性能。
　　最后，本文梳理整个熔体输送过程参数优化问题的研究过程，对研究的问题内容和实验结果进行了分析总结，并根据现有的研究成果和现状指出了该问题未来可以研究的内容和领域，为进一步的研究工作提出了自己的建议。