当前印染企业的能源紧张、成本上升,已严重影响企业的可持续发展。印染企业目前的这种处境主要是由于能源管理基础性工作的薄弱,能源管理水平不高,浪费严重,能源成本上升。要解决这个基础性工作,必须加强能源的检测和计量工作。由于染纱车间能耗计量的范围大、数量多,如果全部采用仪表计量,投资成本非常大;而且染纱生产过程是一个典型的间歇生产过程,具有非线性、时变性、输入和输出量都较多等特点,难以建立准确的数学模型。将软测量方法应用于染纱车间能耗的实时检测,为染纱能耗的实时检测提供了新的思路。将人工神经网络软测量方法应用于车间能耗的实时检测,充分利用了神经网络很强的非线性逼近能力和学习能力,取得了很好的效果。本文以染纱生产过程能源消耗为对象,系统分析了影响能源消耗的主要因素,结合某印染企业染纱车间染缸能耗的实际情况,提出了两种不同模型的面向能耗问题的解决方法。1、在深入了解影响染缸能耗因素的基础上,采用改进BP神经网络算法建立软测量模型。该模型考虑了主要的能耗因素作为模型的输入,以每个工序的能耗为输出,通过该模型确定每个染色工序在染色过程中消耗的蒸汽量、水及电量。与实际采集的数据进行对比修正模型。2、采用模糊c均值聚类(FCM)算法将样本数据通过一些相似性准则分成具有不同中心值的几类,每个分类均有一个隶属度与其对应,基于RBF网络对每个分类建模,将各子模型的输出进行隶属度加权求和得到软测量输出。该方法更适合数据较多且有一定精度要求的能耗软测量问题。通过计算一个偏差修正量叠加于软测量模型来校正模型。进一步,分析比较了两种软测量方法。结果表明FMM多模型算法泛化结果同单一RBF网络相比较有明显提高。最后,设计与实现了染纱能耗系统。通过软测量测得每台染缸以及染色不同工序的能耗,对超标的染缸预警,控制能耗在一个最优的设定值范围之内。