软测量技术是解决过程工业重要质量指标无法在线检测的有效途径,其中建立具有良好预测性能的软测量模型是其核心研究内容之一。由于实际工业过程普具有工况复杂、强非线性、强耦合和时变性等特点,基于单模型方法所建立的软测量模型通常无法保证全局范围内的预测精度,且模型稳定性较差。多模型融合建模方法通过更全面地描述对象的过程特性,可以显著提升软测量模型的预测精度和稳定性。本文提出了两种多模型融合建模方法,并将其应用于聚丙烯生产过程熔融指数软测量。具体工作内容如下:(1)通过查阅大量国内外相关文献,综述了软测量技术和多模型融合建模方法的基本思想、主要内容和实施步骤。将多模型融合建模方法分为聚类分析、集成学习和混合建模三类,并对各类方法的研究现状和优缺点进行了详细评述;(2)提出了一种基于聚类分析与蜂群优化的多核相关向量机建模方法。首先采用模糊C均值聚类算法将训练样本划分为多个子类,然后通过训练各子类样本建立多核相关向量机子模型,其中采用人工蜂群算法优化核函数参数和组合权重因子,最后计算测试样本与各聚类中心的隶属度值,并作为各子模型输出值的加权系数,通过多模型融合得到模型预测输出;(3)提出了一种选择性集成极限学习机建模方法。首先将原始样本集划分为训练样本集、评估样本集和测试样本集,采用Bagging集成算法对训练样本集进行随机重复采样,建立多个训练样本子集,训练各样本子集建立极限学习机子模型;利用评估样本集评估各极限学习机子模型,采用聚类选择法筛选得到用于集成的子模型;最后采用熵权法计算各子模型的权值系数,通过多模型融合得到模型预测输出;(4)将所提出的两种多模型融合软建模方法应用于聚丙烯生产过程熔融指数软测量。研究结果表明:基于聚类分析与蜂群优化的多核相关向量机的聚丙烯熔融指数软测量模型具有较好的预测精度,可以为复杂多工况化工过程的产品质量指标在线预测提供指导作用。与单一模型、全集成模型和平均加权模型相比,基于选择性集成极限学习机的聚丙烯熔融指数软测量模型具有更高的预测精度,且克服了传统集成学习方法存在的训练和预测时间较长的问题,在一定程度上改善了模型性能。本文开展了多模型融合建模方法及其化工软测量应用研究工作,提出了两种多模型融合建模方法并将其应用于聚丙烯工业过程熔融指数软测量中,应用取得了良好的效果。研究工作对多模型融合软测量建模方法的进一步研究具有一定的借鉴与指导意义;为聚丙烯生产过程质量指标在线预测以及其他化工生产过程的建模、控制和优化等应用研究提供了重要参考;有助于提高过程工业的生产操作水平,以达到生产高效、低耗的要求,进而提升企业的市场竞争力。