在炼油行业中,有许多重要的质量指标是不能或很难在线测量的,像常减压蒸馏过程柴油的95点是衡量其质量的重要指标,通过现有的测量手段是不能得到柴油95点的实时测量值的。干点指的是油品在规定条件下进行馏程测定中,最后一滴液体从蒸馏烧瓶中的最低点蒸发瞬时的温度,以℃表示。95点即是95%的柴油从蒸馏烧瓶中的最低点蒸发瞬时的温度,以℃表示。针对此现象,本文把某石化公司常减压蒸馏装置作为研究对象,获取了从工业现场得到的测量数据,建立了基于RBF神经网络的柴油95点软测量模型,以及基于支持向量机的柴油95点软测量模型,为实施常减压装置柴油质量的在线先进控制提供了依据和条件。本文建立了柴油95点品质质量软测量的两种模型,并对两种模型进行了仿真验证。本文首先阐述了软测量的工程背景、发展历史、和其建模方法及发展状况。其次,在对数据进行预处理后,在实验分析和统计理论基础之上,分别建立了基于RBF神经网络的软测量模型和基于支持向量机的软测量模型。然后,本文探索和研究了 RBF神经网络隐含层节点中心的训练方法,基于减聚类和K均值聚类相结合的算法来确立RBF神经网络模型的隐含层节点中心,通过该方法建立的RBF神经网络模型泛化能力强,其模型预测误差在工业要求范围内。另外,为了优化支持向量机软测量模型中的参数,保证软测量的精度,本文利用遗传算法和粒子群算法分别对参数进行了优化和整定。还对遗传算法的交叉过程和变异过程进行了改进,仿真实验结果表明,所得参数可使基于支持向量机的软测量模型具有更好的泛化性能。