熔融指数作为聚丙烯生产过程中重要的质量指标之一,难以在线测量,只能通过人工采样、实验室化验分析得到,因此研究熔融指数的软测量技术对聚丙烯生产过程的优化和产品质量的控制具有重要的理论意义和实用价值。本文针对聚丙烯熔融指数的软测量建模问题:研究了基于非线性慢特征回归的软测量模型,提高了模型的预测精度;研究了基于DBN-ELM的软测量建模方法,将极限学习机运用到深度置信网络的训练中,提高了模型的性能;研究了基于IDBN-GM的动态软测量模型,用GM(1,1)模型对静态模型进行动态校正,以此建立动态软测量模型。主要研究内容如下:提出了一种基于非线性慢特征回归的软测量建模方法,首先对慢特征分析算法进行非线性扩展,利用扩展后的算法从数据中提取出慢特征,最后利用提取的特征建立回归模型,实现对聚丙烯熔融指数的预测。工业数据的应用结果验证了算法的有效性。针对聚丙烯熔融指数软测量中的预测精度低及多牌号切换问题,研究了基于DBN-ELM的软测量建模方法,深度置信网络作为一种深层神经网络模型,具有优良的特征提取能力,使分类或预测更容易,另外,极限学习机是一种针对单隐层神经网络的快速学习算法,将极限学习机运用到深度置信网络最后一层的训练当中,来提高模型的性能。工业数据应用结果表明,该模型比传统软测量模型具有更高的预测精度。针对工业过程的动态特性,提出了一种基于IDBN-GM的动态软测量模型。首先建立基于DBN-ELM的静态模型,静态模型的预测值与实际值之间有一定的误差,利用GM(1,1)模型对误差时间序列进行建模和预测,最后将静态模型的输出值与GM模型的误差预测值进行叠加,实现对静态模型的动态校正,从而建立动态软测量模型。工业数据的应用结果表明,该模型比单独的DBN模型和DBN-ELM模型,具有更高的预测精度。