本文针对基于矩值的聚合物分子量分布(MWD)建模与控制方法展开研究,论文取得了如下创新性成果：1、提出聚合物分子量分布灰箱建模的组合神经网络模型结构,论证其权向量与MWD矩值之间的等价关系及约束条件,实现了网络参数与MWD矩值的等价相关,为实施MWD准确预测和形状控制提供新的解决途径。作为二元分布对象,对MWD进行建模时采用在时间(输入变量)和形状(聚合度)上的分解建模。组合神经网络采用前向基函数网络与递归网络的结合,利用正交多项式基函数前向神经网络(OPNN)实现MWD对聚合度的描述,利用递归网络实现MWD对输入变量的函数表达。递归网络输出作为前向网络权值,二者链接实现MWD二元对象的动态拟合。对OPNN而言,利用正交多项式的性质,提出了网络权值一步学习法,推导得出网络权值与MWD矩值之间存在的线性映射关系,通过转换矩阵实现二者线性变换。由此,权值可直接由MWD矩值替代,且前向网络隐层节点数与MWD相关矩值最高阶次相当。网络隐层节点数和网络权值均变为有物理意义的对象参数,为确定网络结构提供了理论依据,实现了网络模型的灰箱化。提出了满足网络灰箱化条件的正交多项式基函数约束条件,并举出了两种基函数(Legendre多项式和离散正交多项式(DOP)),推导了两种基函数所对应的转换矩阵。在实验中验证了利用正交多项式基函数神经网络实现MWD形状建模的可行性,并对两种满足约束条件的基函数神经网络建模能力进行了对比。2、提出一种输出模型为仿射非线性方程的SNARX-OPNN网络,用于MWD建模。这种模型学习速度快、可实现全局逼近,并易于进行控制策略设计。为实现对MWD的动态跟踪,针对NAR×网络进行两项改进：针对NARXNN前向网络部分,提出一种新的网络结构--单隐层正交多项式网络作为前向网络,该网络利用正交多项式序列可以逼近连续函数的能力,以正交多项式序列代替常用的sigmoid型激励函数,可以实现输入层的常数映射,不需进行权值训练,在保证网络全局逼近能力的前提下,提高了网络学习速度,将网络结构简记为NARX-OPNN;针对NARX-OPNN网络,利用低阶正交多项式函数为线性映射的特点,在不改变网络总体结构的前提下,仅切断当前输入变量与输出变量之间的非线性链接,最终得到仿射非线性模型,易于进行控制策略设计,从而实现MWD的动态逼近,得到的网络结构称为SNARX-OPNN。3、提出基于有限阶矩值对MWD曲线形状进行部分反馈控制的解决方案,推导出被控矩向量的降维准则。利用灰箱模型可以直接将矩值自MWD中分离出来的特点,提出以矩值做为直接被控对象进行MWD形状跟踪的方法,并进行证明。将控制对象由分布函数变为一组向量,在保证MWD精细控制效果的基础上降低了任务难度。针对被控矩向量自身的相关性,对矩值自由度与分布函数参变量个数之间的相等关系进行证明,提出被控矩向量的降维准则,进一步降低了控制系统设计难度,为实现MWD精细控制提供了理论依据。4、针对以矩值为直接被控对象的聚合反应系统,提出H∞算法实现MWD的跟踪控制,提高了控制系统的鲁棒性。在采用输出反馈和最优控制实现MWD控制的基础上,考虑到基于神经网络模型的控制策略设计将面临不确定扰动和模型失配等问题,将H∞控制算法用于MWD的控制中。为应用该控制算法,将SNARX-OPNN的标量差分方程形式转换为扩展的离散状态方程形式,并提出网络权值学习的约束最小二乘算法,以保证模型满足控制器设计需要。利用线性不等式方法推导得出状态反馈控制策略,可以保证系统在受到有限能量的不确定扰动时,可以跟踪给定分布,保证闭环系统渐进稳定。上述建模与控制算法均通过实验室规模的苯乙烯聚合反应过程的仿真研究与实验,证明所提出方法的可行性和优越性,为MWD建模与控制提供了新的研究思路和解决方案。