近年来,随着工业生产过程的复杂性不断增加,规模日益扩大,控制变量的种类和数目越来越多,对于变量的预测控制有了新的要求。在早期的传统工业中,点预测方法是对关键变量进行预测的主要方法。然而,由于实际情况不同,以及具体生产流程中相关变量的变化往往存在不确定性,单纯使用点预测方法进行预测已经不能满足实际工业需。与此同时,在实际的生产过程中,与数据点预测进行比较,对未来某个阶段数据的变化范围进行预测对于指导实践更有意义。因此,本课题对工业过程中关键变量的变化趋势进行研究和分析,着重研究区间预测方法及其在实际工业过程中的应用,内容如下:1.为了对工业过程中的相关变量变化趋势进行预测,本文提出一种基于反馈多核极限学习机(MKELM-EF)的点预测方法,该模型主要依据两种核函数的占比,来综合衡量核函数在预测模型中的重要性,同时采用自适应粒子群(APSO)算法优化模型中的相关核参数,使预测模型的预测精度和收敛速度得到优化。2.针对关键变量的变化趋势预测,本文提出种基于Bootstrap和改进极限学习机相结合的区间预测方法。其中,Bootstrap用于对原始数据进行重抽样,MKELM-EF作为回归算法,二者相结合可以构造有效的预测区间,使用辛格函数数据对模型进行实验,验证其有效性。3.选取实际工业过程精对苯二甲酸溶剂系统(PTA溶剂系统)里的关键变量对模型进行实例验证。包括对本文提出的点预测模型MKELM-EF的预测性能验证以及基于Bootstrap和MKELM-EF的区间预测方法的性能验证。点预测实验中选取现有的方法进行对比实验,结果表明MKELM-EF模型在预测性能上有一定改进。与此同时,使用基于Bootstrap的几种不同预测模型的区间预测方法进行对比实验。实验结果表明,与其他对比方法相比,本文提出的方法在预测精度表现上有一定改进,可以在满足区间覆盖率的前提下,兼顾区间平均宽度等其他指标。