中国制造2025国家战略的实施,给工业生产带来了巨大的变革。现代工业过程不再局限于对流量、压力、温度等指标的直接检测,如何实现与产品质量相关的参数测量成为关注焦点。工业过程建模是软测量技术的重要组成部分,其能够利用过程数据对产品质量运行指标进行实时估计。随着人工智能技术和机器学习算法的兴起,基于神经网络的工业过程建模方法相继出现,随机配置网络(Stochastic configuration networks,SCNs)便是其中之一,其在训练过程中自主确定随机参数和网络结构,具有易于实现和泛化性能好等优点。然而,现有SCNs采用的是点增量学习方式,即网络的构建使隐含层节点逐个添加,且每次节点新增后,模型参数均需要重新优化,当需要较多节点解决复杂建模问题时,网络的构建过程势必变得相对复杂、耗时,难以用于复杂工业过程。因此,本文在SCNs理论基础上,研究SCNs的块增量学习方法,使得SCNs建模更加快速、高效,对工业过程建模具有重要的应用价值。主要工作与创新性成果概括如下:(1)提出一种基于块增量学习的随机配置网络。针对随机配置网络构建过程采用点增量学习导致大量迭代的问题,通过批量分配和约束随机参数建立块增量学习框架,提出了块增量随机配置网络(Stochastic Configuration Networks with Block Increments,BSCNs),证明了其无限逼近特性;并针对不同工业过程建模需求设计了BSC-I和BSC-II两种具体实现算法,显著提升了SCNs的建模速度,为后续章节的研究奠定了理论和应用基础。(2)提出一种基于块增量自适应监督机制的随机配置网络。针对SCNs监督机制中超参数需要人为设置,缺乏理论依据的问题,通过研究增量学习过程残差递减的外部特性和内部特性,提出了一种块增量自适应监督机制的随机配置网络(Stochastic Configuration Networks Based on Adaptive Supervisory Mechanism with Block Increments,BASCNs),使得不等式约束能够根据学习过程自主调整,并通对比实验验证了块增量自适应监督机制的有效性,进一步提升了算法的自主学习能力。(3)提出一种基于模型与数据混合并行学习的随机配置网络。针对大数据建模任务中采用传统计算方式会显著增加网络参数训练与优化的成本,导致模型的整体性能下降,将并行学习方法引入到BASCNs中,开发了一种模型与数据混合并行学习的随机配置网络(Hybrid Parallel Stochastic Configuration Networks,HPSCNs)架构,并从理论与实验两方面验证了HPSCNs在大规模基准数据集上的综合性能优于其他传统算法。(4)将本文提出的一系列块增量随机配置网络算法应用于两个典型的工业实例,分别建立了赤铁矿磨矿粒度估计模型和重介质选煤灰分估计模型,并利用不同规模的数据开展实验研究,结果表明基于块增量随机配置网络的建模方法能够有效满足不同的工业需求。综上所述,本文重点研究了基于块增量随机配置网络的工业过程建模新理论与新方法,所开发的块增量学习与并行学习算法有效提升了随机配置网络在实际应用中的学习能力,其不仅是一种快速高效的工业过程建模方法,更是一种新的、具有推广价值的机器学习算法。