乙烯是化学工业重要基础产品,我国目前乙烯年产量达到1821.8万吨以上,占有国民经济中重要地位,蒸汽高温裂解法是石脑油裂解制取乙烯的主要工艺技术,世界乙烯产品的95%来源是来自蒸汽高温裂解法,是发展较完善、使用较广泛的裂解技术,乙烯裂解炉是实现这一技术的主要设备,但该方法存在能耗高、影响反应产物因素较多的缺点,需要确定最佳反应温度以提高产品收率和产品质量,因此对乙烯裂解炉运行参数进行实时测量,将有助于为寻找最优反应操作参数提供参考,及时、准确地获取石脑油裂解产物关键组分相对含量、炉管出口温度参数,是进行参数调控、产品质量优化的重要基础。而实际工业生产中采用人工采集分析方法存在分析时间滞后的问题,在线分析技术存在采购、维护成本高的缺点,因此采用基于历史数据的软测量技术能有效实现对未知数据实时预测。近年来,基于结构风险最小化原则提出的支持向量机(SVM)得到广泛应用,并发展出用于预测的支持向量回归机方法(SVR)它同传统线性机器学习方法偏最小二乘回归方法(PLS)相比,对化工过程这一高度非线性系统具有更好的学习能力,支持向量(Support Vector)和结构风险最小化(SRM)理念的应用使得SVM同另一广泛使用的非线性机器学习方法人工神经网络(ANN)相比具有良好的泛化性能和计算效率,能够及时、准确地进行模型学习和预测,具有很好的应用前景。将SVR方法应用到乙烯裂解生产过程实例中,实现乙烯裂解炉生产过程变量实时检测,应用结果表明所提出的SVR软测量方法具有优良的预测效果。主要研究内容概括如下:(1)研究软测量建模方法,从软测量技术分类、数据驱动软测量技术面临的几大问题挑战、软测量技术应用领域和几类典型软测量技术方法四个方面,综述了国内外软测量技术研究与应用情况。(2)在统计学习理论及支持向量机理论基础上,研究(ε)SVR方法,包括SVR方法的最新改进研究与应用,并建立基于参数优化的(ε)SVR软测量模型;进一步地建立一种基于移动窗技术的动态自适应支持向量回归(ADO-SVR)在线回归算法。(3)将研究建立的参数优化的SVR软测量模型应用于乙烯工厂生产实例中,对乙烯裂解炉使用历史监测数据建立软测量模型,验证所提出参数优化的SVR软测量模型的有效性。具体包括预测乙烯裂解炉产品组成以及预测乙烯裂解炉炉管各出口温度。在相同条件下,为进一步验证本文建立的软测量模型有效性,将预测结果与PLS与MLP-ANN方法进行对比,特别验证在较小学习样本情况下SVR软测量方法与其他软测量方法的预测效果,实验结果指出,本文方法在本案例研究中比PLS和MLP-ANN方法具有更好的学习能力和泛化能力,在小样本学习中优势更加明显。研究成果有效地实现了工厂实际生产中对过程变量软测量的需求,对优化工艺过程、提高企业经济效益具有重要意义。