聚丙烯熔融指数(Melt Index,MI)是丙烯聚合生产过程质量控制的重要环节,它决定了产品的不同牌号和不同牌号产品的质量。由于在线分析仪表的缺乏特别是使用上的困难,熔融指数的测量主要通过人工取样、离线化验分析的方式获得,间隔和延迟很大,给生产质量控制带来了困难,从而使MI预报成为烯烃聚合生产控制研究的一个前沿和热点。本文针对丙烯聚合生产过程所具有的强相关性、强非线性等生产过程特性,以及统计建模所面临的参数选择上的随机性和不同建模者所带来的人为因素的影响等问题,将智能仿生优化方法与主元分析、神经网络等统计方法相结合来开展工作,以期得到聚丙烯生产熔融指数的最优软测量模型,提高模型的预报精度,消除统计建模人为因素等随机性影响。全文主要工作及贡献如下:1.介绍了聚合工业及聚丙烯生产的相关背景知识和统计建模方法以及智能仿生方法,并对丙烯聚合过程熔融指数预报的研究现状进行了综述性研究。2.针对丙烯聚合生产过程的强非线性、强相关性,建立了基于径向基神经网络方法和主元分析法相结合的PCA-RBF熔融指数预报模型,并以某石化企业聚丙烯生产过程的工业生产实际数据作为实例进行研究,结果表明常规的PCA-RBF模型不能满足工业生产要求。3.在PCA-RBF预报模型的基础上,提出了一种基于Logistic映射函数的混沌寻优方法的PCR(PCA-Chaos-RBF)最优熔融指数预报模型,对关键参数进行自动寻优,工业实际数据的研究结果表明了所提出的最优MI预报模型的有效性。4.在以上研究的基础上,考虑到混沌寻优方法的局限性,进一步引入遗传算法,提出了聚丙烯生产熔融指数预报的PCGR(PCA-Chaos-GA-RBF)全局最优模型,其中混沌寻优用以优化几个关键参数,工业实例研究结果表明了所建立的预报模型的有效性;同时进一步建立了过程的PGR(PCA-GA-RBF)全局最优模型,并与PCGR模型进行了详细的比较研究,工业实例研究结果表明二者具有几乎相同的预报精度,表明了在MI预报中遗传算法所具有的良好的全局寻优能力,将具有良好的应用前景。5.本文将以上研究结果与国内外公开文献报道结果进行了详细的比较研究,结果表明本文所提出的PCGR模型和PGR模型在工业实际生产数据上的推广测试预报结果均方根误差分别可达1.19%、1.25%,与国际上到目前为止所报道的最好结果1.51%(Han教授在Journal of Applied Polymer Science上的公开结果)相比,分别将预测误差减少了21.2%、17.2%。