软测量模型是基于生产过程特征建立的,能够反映易于测量的过程变量与难于测量的目标过程变量间复杂关系的数学模型。基于该数学模型,可实现对目标变量的推断估计,从而解决一些关键过程变量难于测量的问题。采用数据驱动方法建立的软测量模型在工业中获得了越来越广泛的应用,并取得了较好的应用效果。　　在目前的软测量研究与应用中仍存在以下亟待解决的问题:(1)提高对建模数据中异常值的检测能力;(2)如何解决模型训练的不稳定性,提高预测模型的预测精度;(3)对于日趋复杂的生产过程,例如生产过程中会出现明显生产状态切换的过程,如何保证在不同的状态下均取得较好的预测效果;(4)如何提高软测量模型的持续工作能力。　　针对以上问题,本文基于概率推理建模方法进行了深入研究。概率推理建模(包括极大似然方法和贝叶斯方法)是数据驱动软测量建模中的一种重要方法,其在面向复杂多变量工业过程数据建模时有着优越的性能。本文的研究内容如下:　　(1)为提高针对训练数据中的异常值进行检测的能力,将概率主成分分析用于建模数据的异常值检测,给出了一种能够在主成分空间更加有效地进行异常值检测的方法。该方法在保留主成分分析对于异常值检测的优良特性基础上,利用概率主成分分析的隐变量模型结构,对建模数据在主成分空间的投影分布进行方便有效的密度估计。基于该密度估计的特性,并结合统计距离,有效地提高了对异常值检测的准确性。同时基于期望最大化算法的基本框架,也给出了相应的期望最大化算法。通过与几种目前常用的异常值检测方法进行实验比较,显示出更好的检测效果。　　(2)为解决软测量中预测模型的训练不稳定性问题,提出了一种由同构概率回归子模型构成的组合预测模型。该组合模型方法通过bootstrap重采样方法获得多个训练数据集,基于这些数据集建立多个同结构概率回归子模型,然后根据各个子预测模型的预测方差和预测均值分布概率,给出了一种基于子模型预测性能评价的模型组合策略,对多个子模型的输出进行组合获得组合输出,从而有效解决单个模型建模会出现的训练不稳定性问题,提高了软测量模型的整体预测性能。通过采用高斯过程回归模型、相关向量机这两种典型的概率回归模型作为子模型,针对实际应用进行实验。实验结果说明了该组合模型方法相对于传统的单模型方法有更好的预测效果。　　(3)针对一类有明显状态切换的复杂生产过程,由于各状态物理或化学机理性质差异,单一模型难以在各个状态下都取得理想预测性能的问题,提出了一种预测模型组合框架。该框架首先采用有偏重的模型训练策略,对构成生产过程的基本生产状态建立相应的子模型。在基本生产状态的特征数据选取时采用了粒子群优化算法,以让子模型能更好地捕捉基本生产状态特征。然后采用模糊C均值聚类方法对组合生产状态进行辨识,在各状态下基于贝叶斯模型比较评估各子模型的预测性能,并以此为依据,基于贝叶斯模型组合方法在各组合生产状态中采用不同的子模型组合策略,从而能够有效地保证模型在不同生产状态中均能取得所需的预测性能。　　针对贝叶斯模型在训练时采用马尔可夫链蒙特卡洛方法常常会出现计算负担很大的问题,采用了交叉检验分布来计算模型证据,并根据参数模型和非参数模型的不同特点,给出了不同的计算策略,有效地降低了模型训练和模型比较的计算负担。实验分析说明,该方法相对于传统的单一模型方法,有更优良的性能。　　(4)为在软测量模型依赖的硬件传感器输出数据失效时能对其进行重构,从而提高软测量模型整体可用性,提出了一种以混合高斯模型为基础,能够基于有效数据对失效的硬件传感器输出数据进行数据重构的方法。该方法充分利用混合高斯模型对多模分布数据能够进行有效建模的能力,建立硬件传感器输出空间的混合高斯模型。基于该模型,通过分析硬件传感器输出数据在有效数据下的条件分布概率的特征,给出了对失效数据的重构方法。通过实验,验证了该方法的有效性。　　论文最后对工作进行了总结,并提出了进一步的研究方向。