流程工业生产过程中的一些关键变量或指标是生产稳定、安全运行的重要体现。现场人员需要对某些特别关注的变量进行监察,从而实时控制整个生产过程,最终达到稳定运行的目的。但是,在真实的工业生产环境下,一些重要指标变量无法实时监测或全面监测,使得对生产过程整体的实时调控难以实现,因此建立有效的、稳定的生产过程变量预测模型对生产过程变量进行实时预测显得尤为关键。基于数据驱动的方法只需要通过建立工业过程系统中输入-输出变量的关系模型来达到预测的目的,无须关注生产过程的机理信息,因此本文针对基于数据驱动的生产过程变量预测建模中的特征选择方法和建模方法进行了深入的研究,具体研究工作如下:(1)传统的基于相关性分析的特征选择方法在分析变量相关性时,未考虑变量间的时滞影响,使得分析结果的准确度严重降低,导致不能对输入变量进行有效的选择,这不利于后续的预测建模。因此,本文提出了基于交叉相关性分析的灰色关联分析法,通过基于交叉相关性的时滞计算法确定变量间的时滞,再将此作为输入参数引入至灰色关联分析法中,计算变量间的相关联度并选出与目标变量最为相关的变量,有效的消除了时滞对于变量相关性分析的干扰。通过对具体案例和流程工业系统的应用验证了改进方法的有效性。(2)针对特征选择中相关变量选择和冗余变量删除的问题定义了一种特征提取策略,结合基于相关性分析的特征选择方法,实现特征变量最优子集的选择。将其应用于流程工业实际案例中,结果表明改进的方法解决此类问题的实用性和有效性。(3)以某具体流程工业生产系统为背景,运用改进的灰色关联分析法和互信息分析法与基于带外部输入的非线性自回归(Nonlinear Autoregressive with External Input,NARX)神经网络、基于长短时记忆的递归神经网络(Long Short-Term Memory-Recurrent Neural Network,LSTM-RNN)相结合,建立产品纯度的预测模型。通过对比分析四种模型的预测性能,发现结合改进灰色关联分析法的LSTM-RNN模型的预测准确率,预测结果稳定性,数据跟踪情况均优于其他模型。通过实际案例的应用验证了改进的灰色关联分析法的适用性和有效性,突显了 LSTM-RNN模型的性能优势。