流程工业是我国制造业的重要组成部分,是我国国民经济的支柱产业。如何实现流程工业的优化控制一直是学术界和工业界的重点研究领域,准确检测流程工业生产过程中关键变量、设备运行等参数是实现其优化控制的关键因素之一。而流程工业中生产过程涉及物理和化学反应,机理复杂,造成与过程控制密切相关的关键变量难以实时准确检测。随着科学技术的发展,软测量技术受到广泛关注。它通过选取与难测变量密切相关的可测变量,建立可测变量和难测变量的数学模型,实现对难测变量的估计。随着企业产品向多元化和定制化发展,设备重组、生产原料改变和参数设定值调整等操作在工业生产过程中普遍存在。这些操作会使系统表现出多工况特性,导致实时数据和建模所用的数据不再服从同样的概率分布。在此情况下,传统软测量方法在流程工业的应用将面临一定程度的挑战。为解决多工况下软测量建模问题,本文将基于测地线流式核的迁移学习方法引入到软测量领域,通过从已建模工况中获取对于未建模工况的可用信息,以达到提升软测量模型性能的目的,主要研究内容归纳如下:(1)针对传统软测量模型难以适应数据分布变化问题,本文将基于测地线流式核的迁移学习方法引入到软测量领域。为实现该方法能有效应对边缘分布和条件分布均不同的情况,建立标签补偿机制。从多个已建模工况中选择其中之一作为初始已建模工况,并通过子空间不一致度量方法选取工况间的公共子空间和特殊子空间。利用测地线流式核迁移初始已建模工况的公共子空间至各个已建模工况中,以获得所有已建模工况的标签偏差值,并结合所有已建模工况的特殊子空间构建标签补偿模型,进而预测未建模工况的标签分布偏差,实现关键参数的可靠预测。(2)针对实际工业过程存在动态特性,且数据分布同时包含非高斯信息和高斯信息的问题,将动态独立成分分析和动态主成分分析引入到测地线流式核中,提取数据的非高斯信息和高斯信息,分别迁移已建模工况的非高斯信息和高斯信息至未建模工况。并从集成学习角度出发,将基于非高斯信息和高斯信息建立的模型融合成最终的动态软测量模型。(3)针对标签补偿机制中子空间不一致度量方法未考虑多个工况数据变化联系,且实际工业过程中存在动态特性的问题,引入联合公共信息和个体差异的提取方法,用以提取工况间的联合公共信息和特殊信息。为同时应对过程动态特性,该方法在提取信息前构建已建模工况与未建模工况的增广矩阵。并在测地线流式核和标签补偿机制的框架下,利用提取后的所有已建模工况特殊信息和标签偏差值构建标签补偿模型,以建立有效应对边缘分布和条件分布均不同的动态软测量模型。