随着工业过程更具复杂化,变量多样化,加之对产品质量要求提高,从而对工艺过程中关键变量的预测与监控有了更高的要求。以往单纯依靠变量点预测的精度来评价系统,已经不能满足实际的应用需求。区间预测作为一种概率预测方法,不仅能够预测精度,而且能够预测趋势,为系统的不确定性提供可靠性分析。同时,伴随着工业数据存在高噪声、波动性、复杂性和不规则性等特性,变量的预测与监控变得更加困难。因此,本课题针对工业过程高噪声、数据非平稳性问题,开展区间预测方法研究工作,具体内容如下:(1)针对高噪声、数据非平稳性等问题,提出一种改进的互补集成经验模态分解去噪方法,该方法主要将互补集成经验模态分解与样本熵(CEEMD-SE)融合,对数据进行模态分解,将分解出来的分量进行复杂性分析,并依据样本熵值重构分量得到噪声,周期,趋势三部分,剔除其中的噪声分量,达到去噪的目的。(2)针对提升预测模型精度,本文提出了一种改进的混合核相关向量机模型(MRVM,Mixed RVM)。MRVM主要利用线性核函数和高斯核两核的占比,来综合衡量核函数在RVM结构中的重要性,采用核密度估计方法对MRVM中的核参数进行优化计算。(3)针对关键变量的趋势预测以及系统的可靠性评价,本文提出了一种融合CEEMD、SE与MRVM的区间预测方法。利用两个实际工业过程:HDPE、PTA溶剂系统进行建模,实验结果表明目的方法在点预测精度上有一定的提升;在区间预测方面获得较好的区间覆盖率和较窄的区间宽度范围,并且在多步区间预测中依然保持很好的预测效果,为预测系统中关键变量趋势带来了新的方法,为系统的不确定性提供了可靠性分析。