在过程工业中,很多关键的质量参数无法实时在线测量,只能通过实验室离线分析获得,严重制约了过程的监测、控制及优化水平。为此,软测量技术通过建立易测变量与难测变量之间的数学模型,从而获得质量变量的估计值。集成学习作为一种典型的局部学习算法,在软测量领域得到了广泛的应用。为了构建性能较好且通用性较强的集成学习软测量模型,本文开展了集成高斯过程回归软测量建模方法的研究,并进行了相应的仿真实验和结果分析。研究成果总结如下:(1)常规软测量建模方法往往忽略了输入变量选择的多样性,而且未考虑集成修剪,导致计算复杂度较高、预测性能受限。为此,提出一种基于多样性子空间的选择性集成学习软测量方法。该方法结合bootstrapping重采样和偏互信息相关性选择,构建了多样性子空间,并建立了相应的高斯过程回归基模型。随后,采用进化多目标优化算法对基模型进行精简,实现选择性集成。最后在TE化工过程和青霉素发酵过程的应用中验证了该方法的有效性。(2)针对传统集成学习软测量模型仅考虑单一多样性扰动因素、模型无法适应时变过程特征的问题,提出一种基于多模态扰动的选择性集成学习自适应软测量方法。该方法同时引入输入特征扰动和训练样本扰动,以构建多样性的基模型。然后通过进化多目标优化进行集成修剪,最后采用Stacking集成策略实现融合。此外,为了遏制时变过程特征导致的模型性能恶化,基于移动窗口更新策略对基模型和集成模型进行自适应更新。最后通过TE化工过程、青霉素和金霉素发酵过程表明了方法的优越性。(3)工业过程中普遍存在标记样本缺乏、未标记样本充足的现象,为了充分利用未标记样本所包含的过程信息,结合集成学习和协同训练思想,提出一种半监督集成学习软测量方法。该方法首先基于进化多目标优化构建了多样性的子空间,并建立多样性的高斯过程回归基模型,实现伪标记样本的预测,然后基于预测方差信息选出高置信度的伪标记样本,并对高斯过程回归基模型进行更新。重复前述过程,直至达到迭代停止条件。通过在TE化工过程中验证方法的有效性。