在化工过程中,质量变量的实时测量是闭环控制的重要组成部分,但由于经济原因、测量环境限制等诸多因素,一些质量变量(主导变量)难以直接测量。软测量技术能根据相关且易测的物理量(辅助变量)实现主导变量的实时估计,免去了直接测量造成的不便,现已在许多实际生产过程中得到了成功的应用。然而,目前的软测量建模研究一般基于静态假设,仅关注建立主导变量与辅助变量间的瞬时关系,而忽略了工业过程的动态本质,当过程变量变化剧烈时会引起较大的估计误差。动态软测量建模考虑了工业过程的过渡阶段信息,对动态系统具有很强的描述能力,能有效提高传统软测量模型的估计精度与鲁棒性。本文以人工神经网络(Artificial Neural Network,ANN)为基础,从模型参数优化和模型结构两方面对动态软测量建模进行研究,主要内容如下:1.针对非线性滑动平均(Nonlinear Moving Average,NMA)模型参数多、优化困难的问题,提出了一种改进的参数优化策略。该策略将参数优化问题进行分解,减小了参数优化难度。首先,利用岭回归的思想,构造了一种新的代价函数,并以此来优化模型的隐含层参数;然后,利用解析式对计算输出层参数进行最优化。理论证明,该策略得到的最优解同样也是原参数优化问题的最优解。2.对基于有限脉冲响应(Finite Impulse Response,FIR)的软测量模型进行了改进研究。通过将FIR层参数化使得模型具有更强的动态特征提取能力,所提模型能够很好地解决工业过程中常见的动态响应、测量噪声、时间延迟问题。通过硫回收数据建模实验,发现该模型不仅具有很好的预测精度,而且其FIR层具有可移植性,能够使得其他预测模型获得更高的预测精度。3.利用神经网络构造了一种新型输入自回归(NARX)动态软测量模型,当工业过程无法及时提供上时刻主导变量测量值时,能通过多步预测方法来确保主导变量的实时预测,通过设计模型结构来降低预测序列的自相关性,从而抑制了由多步估计造成的累积误差,以适当降低单步预测精度为代价,使模型在主导变量检测时间长、采样周期长、测量存在噪声的工业场合下得到更好的预测效果。通过数学分析和脱丁烷塔数据仿真实验验证了所构建模型的有效性。