现代工业生产过程越来越趋向于复杂化和规模化,为了能及时监控系统状态、迅速跟踪产品质量,关键产品质量的实时检测十分重要。实际生产过程中,产品质量往往通过化验分析得到,但分析仪器成本高昂,且化验过程有一定的延迟性,这些都给关键质量变量的及时采样带来了不小困难。软测量技术通过建立输入输出的数学模型,利用容易测量的过程变量如温度、压力、流量等,预测那些难以直接测量的质量变量如成分、含量等。随着计算机技术的发展,生产企业拥有海量的历史数据,这为软测量技术的应用提供了必要的数据基础。工业过程一般非常复杂,大多表现出很强的非线性和不确定性,如何对庞大的工业过程建模,准确预测关键质量变量是学术界和工业界的研究热点和难点。贝叶斯网络(BN)是一种有向无环图,它是图论和概率论的结合,能较好地处理非线性与不确定性问题,具有良好的因果关系学习能力。本文将BN运用到软测量建模中,实现关键质量变量的实时预测,并以此为基础展开了研究工作,主要创新性研究内容阐述如下:(1)针对小规模单元级过程,由于工况变化、过程漂移等原因发生的模型性能退化问题,将自适应方法引入到BN中,提出了基于贝叶斯网络的自适应软测量建模方法。所提方法建立概率模型以描述运行过程的不确定性,定期更新模型以克服时变因素的影响。此外,该方法还能有效处理数据缺失的问题,在数据集不完整的情况下,也能取得良好的预测效果。(2)当单元级过程中的变量数较多时,存在一些冗余变量导致模型复杂度上升、预测能力下降。运用K2算法学习网络结构,并删除冗余变量,得到最优网络,达到精简模型的效果。当变量数急剧增多时,K2算法学习能力迅速下降。为此,进一步提出了带互信息的K2算法MI-K2,该方法能缩小待学习网络的规模,清晰地表达变量间的关联关系,可大大缩短网络学习时间,提高训练速度。(3)面向大规模厂级工业过程,提出了基于分布式贝叶斯网络的厂级过程质量预报方法。该方法通过分布式建模和模型融合的策略,可缓解大规模过程中关键信息被掩盖的问题。此外,由于局部模型中变量数量显著降低,网络规模大大缩小,从而降低了欠拟合风险。最后,模型融合策略可进一步提高预测精度。最后,对本文研究工作进行了总结,并对后续工作提出了展望。