精馏过程是石油化工工业和化学工业中最为广泛的传质单元操作过程,也是石油化工领域中最大的单元操作过程之一。本文主要研究的对象是乙烯精馏塔,它是能够分离裂解气得到乙烯产品的操作装备。对这个装置进行工艺改良以及操作优化,能够充分提升其生产效率,可以有效地帮助企业提高利润,实现经济效益的增长。精馏过程的工艺流程相对复杂,有较多的干扰因素,总结特点如下。首先,精馏塔有许多塔板,是一种高阶对象类型,对控制输入有较为迟缓的反应,具有较强的非线性特征。其次,是精馏过程受到多种干扰因素的影响,这是因为装置之中包括许多控制回路,控制回路之间并不相互独立,存在一定的关联性。在实际生产过程中,测量关键生产指标时主要依靠工业色谱仪,或者直接使用人工取样测量的方式,造成了大量成本的上升。目前,关于乙烯收率问题的研究主要集中在单一模型的建立上,这种模型并不能够覆盖所有工况,泛化能力较差。当它运行的外部情况发生改变时,会造成预测精确度的下降。综上所述,本文以乙烯精馏塔为研究对象,结合了企业的实际生产情况,进行了模型构建、操作优化等研究,主要进行了以下几个方面的工作。（1）首先是课题背景的研究,探索了当前国内外关于此领域的研究现状,接着简单介绍装置工作原理、工艺流程和控制方案,并对影响精馏塔乙烯收率的因素进行了说明。（2）简单介绍了乙烯精馏过程的工艺机理和工艺流程之后,确定了影响乙烯收率的工艺参数,如塔底蒸汽流量、塔顶回流量、塔顶和塔釜温度、进料流量、灵敏板温度和塔顶压力等。针对工况发生变化导致的模型失效问题,提出了一种基于模糊C均值聚类算法（FCM）划分工况的多模型建模方法,本文以冷剂温度及装置负荷作为工况变量进行聚类划分。在筛选乙烯收率的主要影响参数时,依据主元分析法（PCA）进行降维筛选,最终确定以X1、X2、X3、X4为模型的输入变量,输出变量为乙烯收率,并采用随机配置神经网络（SCN）建立划分工况下的乙烯收率的多工况模型。通过仿真实验与分析可知,该方法具有更高的预测精度,更具合理性。（3）经过了深入的分析,考虑到精馏过程的工艺要求,以乙烯收率最大为优化目标,建立了符合公司运营情况和实际生产情况的优化模型,提出了利用遗传算法和序列二次规划方法求解上述优化模型的优化策略。此外,在实际的精馏过程中,会受到外部条件或者生产工艺的影响,比如环境、周围的噪声、成本的限制等一系列的影响。所以,不可能建立与实际精馏过程完全匹配的过程模型,即模型具有一定的不确定性（参数、结构或过程扰动）。本文深入研究了解决模型失配的生产决策层次结构,分析了不同层的具体任务,并以实时优化（RTO）层为核心,提出了解决乙烯精馏过程模型失配的自适应实时优化策略—基于修正项的自适应实时优化方法,以补偿模型失配对原优化问题优化结果的影响。通过仿真实验验证了所提方法的有效性,该优化策略具有较强的实际意义和价值,为乙烯精馏全流程优化控制的顺利实施奠定了重要基础。