复杂工业过程是制造业的重要组成部分,是我国国民经济和社会发展的支柱产业。在金属冶炼、选矿等传统行业,存在大量的关键工艺参数无法在线检测,导致该类行业综合控制水平落后,面临着巨大的产业升级改造压力。为了提高现代工业竞争力,实时在线监测与稳定控制对于保证生产安全和提高产品质量至关重要,本文围绕复杂工业过程监控与优化控制所面临的瓶颈,利用基于数据驱动的软测量技术解决工业过程检测与控制存在的难题,为实现复杂工业信息化和智能化发展奠定技术基础,重点研究以下几个方面:1)针对单一预测模型不能反映工业间歇过程中多阶段特性及阶段间过渡特性问题,提出一种基于Gath-Geva聚类和核极限学习机的多模型软测量方法。首先采用主成分分析(Principal Component Analysis,PCA)对输入做特征提取,然后利用Gath-Geva算法对间歇过程进行多阶段工况划分,分别建立局部KELM模型,将各局部模型的模糊隶属度作为权重对局部KELM模型预测值进行加权得到最终预测值。本文以青霉素发酵数据进行实验测试,结果表明本文所提多模型算法相较于单一模型,具有更高的预测精度。2)针对间歇过程软测量易受离群点干扰的问题,提出一种基于集成鲁棒随机向量神经网络的软测量方法。首先利用互信息进行特征选择,消除数据间冗余特性,然后,针对原始RVFLN鲁棒性差的问题,提出一种基于M估计的迭代加权最小二乘方法的鲁棒随机向量神经网络。进一步采用AdaBoost集成学习提升RRVFLN算法性能,然后采用偏移补偿策略校正模型输出。将所提的AB-RRVFLN方法应用于实际现场抽屉窑温度预测中,实验结果表明本文所提方法取得了较好的预测效果和鲁棒性。3)针对传统的多模型算法无法捕捉时变行为以及批次间过程差异,本文提出了一种新的在线集成极限学习机方法(Online Ensemble Extreme Learning Machine,OEELM)。首先,利用高斯混合模型对操作阶段划分,然后,建立局部极限学习机模型捕捉各阶段间的非线性关系。同时,每个新测试样本,通过贝叶斯推理估计相对于不同局部模型的后验概率,以后验概率为权值将多个局部ELM模型融合得到全局预测值。上述算法采用高斯模型参数更新,基于增量学习的局部ELM模型更新,均值和方差更新和在线偏移补偿策略进行参数更新。论文采用青霉素生产数据进行实验,验证所提方法比传统自适应软测量方法计算复杂度低,预测精度高。4)针对连续工业非线性和时变特征,本文提出一种即时学习的RELM自适应软测量算法。在JITL(Just in Time Learning)框架中,以RELM建立局部预测模型,同时提出一种快速自适应算法优化RELM模型参数,增强模型预测能力。进一步,采用滑动窗口数据更新策略,改善数据库动态特性,最后采用偏移补偿技术实现模型输出误差校正,提高预测可靠性。针对国内某氧化铝回转窑烧结温度预测问题,基于现场数据进行实验对比表明,本文所提出的JRELM算法预测准确率明显优于RELM等算法,并且在线计算效率高,可以满足工业预测要求。5)在回转窑烧结过程控制中,调节燃煤喂入量是控制烧结温度的重要手段,本文提出了一种基于相空间统计学习的窑内喂煤趋势决策方法。首先从人工给煤的历史时序数据中提取出喂煤趋势类标,用同一时间段的多维窑前热工数据构成该类喂煤趋势的训练时序矩阵;然后采用C-C(Cheng Church)方法确定时序预测中的最优延迟时间和嵌入维数,对训练时序矩阵进行相空间重构,经PCA降维后构成观测序列;最后、训练获取该类喂煤趋势下的隐马尔科夫识别模型(Hidden Markov Model,HMM),基于最大似然估计对各类HMM的输出趋势进行融合,获取喂煤趋势的判决结果。在某氧化铝回转窑现场应用表明,本文方法可解决时序预测中延迟时间的估计和嵌入维数的选择难题,可有效地提高预测的准确率,获得较好的现场应用效果。