在烧结法生产氧化铝过程中,连续碳酸化分解工艺(简称碳分)是一个非常重要的中间环节,它处理上游脱硅工序输送的铝酸钠溶液,生产出满足工艺要求的氢氧化铝,并提供合格母液。末槽分解率是反映碳分过程工况的重要工艺指标,但是分解率不能在线检测,只能通过离线化验,形成大滞后、非线性特性,严重影响碳分过程的优化运行。因此,建立末槽分解率的预测模型,研究模型在线修正方法具有十分重要的意义。在对碳分过程生产工艺及其影响因素分析基础上,采用灰色关联分析法定量的确定了影响末槽分解率的主要因素,提出了碳分过程的末槽分解率预测模型的总体设计框架。综合考虑碳分过程的特点,采用PCA对主要影响因素进行降维,设计了基于PCA的BP神经网络预测模型,并利用粒子群算法优化神经网络模型的权值与阈值,提高了模型的预测精度和泛化能力;研究了末槽分解率预测模型的修正方法,提出了基于滤波方法的末槽分解率预测模型在线修正策略和基于随机学习的末槽分解率短期修正策略,提高了预测模型的适应性。利用现场收集的大量数据对末槽分解率神经网络预测模型及其修正方法进行了仿真验证研究,实验结果表明,所建的基于PCA的神经网络模型具有较高的精度和较好的泛化能力,在工况发生变化时,采用模型修正方法,能保证模型精度不会随生产条件的改变而降低,能为碳分过程的操作优化提供指导。