随着人们生活水平的提高,对产品质量的要求也越来越高,为了提高产品质量,化工生产过程引入了更加复杂的控制系统,另一方面,随着传感器与测量技术的发展,能够获得越来越多的生产过程的详细数据信息,但是,仍有一些关键的质量变量无法通过直接测量获得。因此,如何从海量数据中找到有用的信息,使其服务于产品质量控制,已经成为一个亟待解决的问题。在这种背景下,基于数据驱动的质量预测方法引起了广泛关注。偏最小二乘(PLS)算法在化工生产过程质量预测领域得到了广泛应用,它能够提取过程数据的主要信息,从而建立过程输入数据和质量数据之间的关系模型,然后使用模型进行产品质量预测。随着化工生产过程复杂度的提高,过程变量之间的关系越来越复杂,非线性关系也越来越强,传统的PLS算法无法针对这种系统建立准确的预测模型。针对这一问题,研究将传统的PLS算法进行改进,使其满足实际生产过程的需要,主要的研究内容如下:1.针对传统的PLS算法对数据的预处理比较粗糙,且无法处理非线性过程的情况,提出了OSC-SVM-PLS质量预测算法。该算法使用正交信号校正(OSC)算法代替传统的数据预处理方法对过程数据进行处理,接着将支持向量机(SVM)算法引入PLS,使其具有处理非线性数据的能力。然后将提出的OSC-SVM-PLS算法与PLS算法和核偏最小二乘(KPLS)算法进行对比,将它们用于一个数值模拟实例和田纳西-伊斯曼(TE)过程,通过计算均方根误差(RMSE)值量化不同方法的预测性能,通过分析预测结果和对比RMSE值,证明了所提出的方法的预测效果好于PLS算法和KPLS算法。2.传统的PLS算法没有对化工过程数据集中包含的噪声进行处理,针对这个问题,提出了WDOSC-SVM-PLS质量预测方法。该方法首先使用小波去噪去除数据集中包含的噪声,然后使用正交信号校正(OSC)算法去除输入数据中与质量数据无关的部分,为了使模型能够处理非线性过程,又引入了支持向量机(SVM)算法。将提出的WDOSC-SVM-PLS算法与PLS算法和KPLS算法进行比较,将它们用于一个数值模拟实例和青霉素发酵过程,仍然通过RMSE指标量化不同方法的预测性能,通过对比预测结果及RMSE值,证明了在同样的条件下,提出的算法的预测性能好于PLS算法和KPLS算法。