流程工业是国民经济中占据重要战略地位的支柱产业,典型的流程工业主要包括石油、化工、选矿等原材料工业。受生产工业生产线运行机理复杂,系统具有非线性、强耦合、大时滞等因素限制,使得部分关键参数难以利用硬件传感器实时检测,无法有效监控生产设备运行状态,严重影响生产过程的平稳运行和产品质量。软测量技术是解决上述问题的有效方法,它通过构建工业生产中辅助变量和主导变量之间的数学模型,实现对难测主导变量的实时预测。实际中生产任务的改变、设备重组、原料及现场环境的变化使得系统体现多工况特性,工况变化使实时数据和历史建模数据分布不再服从同一分布,造成原有软测量模型性能下降。当大多数未知工况数据因无法获取标签从而难以建立准确的软测量模型时,如何从历史工况数据中挖掘对未知工况的有效信息并辅助未知工况建模,成为亟待解决的问题。基于上述分析,针对具有多工况特性的流程工业未知工况关键参数软测量问题,将基于流形的无监督迁移学习框架引入软测量领域,以测地线流式核方法作为本文研究的基础,主要工作归纳如下:(1)针对流程工业中复杂多工况条件下,传统软测量模型失准而新工况没有任何带标签数据无法建模的问题。首先提取不同工况的公共模式信息,然后从无监督迁移学习角度出发,在测地线流式核算法框架基础上构建基于公共模式信息提取的多工况软测量模型,实现对未知工况关键参数的准确预测。(2)针对流程工业数据中存在动态特性的情况,将变量的时序关系考虑在内,引入PCA增广矩阵解决数据动态特性提取问题。针对单域迁移方法难以利用多个历史工况数据信息的问题,引入多源域迁移软测量策略,根据多个历史已知工况和未建模工况数据构建多个软测量子模型,集成得到预测值。同时,采用基于等距映射方法,用测地线距离代替欧氏距离以更好提取不同工况的公共模式信息,提升软测量模型准确率。(3)针对连续工业过程中软测量模型需要及时更新校正的问题,研究了一种多工况在线软测量建模方法。将即时学习策略与迁移学习方法相结合,一方面避免了即时学习工况间数据分布差异导致模型准确率不高的问题,另一方面使迁移学习软测量方法具备自适应调整能力。同时,引入集成学习策略,增加了算法的可靠性,实验结果与分析验证了所提算法的有效性和实用性。