工艺参数的实时测量是铝电解生产过程中的重要问题之一。对工艺参数进行实时监测,不仅可以为铝厂工人提供及时的操作决策支持,而且还可以对电解槽的运行状况进行分析。目前,还有许多工艺参数难以用仪表进行实时、精准地测量。因此采用软测量技术来解决这一问题具有重要的研究和现实意义。极限学习机是一种比较新的神经网络算法,它不仅具有良好的泛化能力,而且表现出训练速度快、算法简单易实现及调控的参数少等优点,在工业过程参数实时测量上具有较大优势。因此,围绕极限学习机在软测量领域中的建模研究已经得到了众多的关注。本文以极限学习机为研究基础,从铝电解生产数据和工艺机理出发,对铝电解工艺参数的软测量建模进行了研究,主要的工作如下:1.提出了基于改进极限学习机的软测量建模方法。在建模前首先利用粗糙集的属性约简算法对辅助变量中的冗余或不相关的属性进行剔除,以得到较为精简的辅助变量,从而降低极限学习机网络的输入复杂性。然后利用偏相关系数对输入变量与输出变量的关系进行正、负地判断,将对输出变量作用相同的变量放在一起,以此将极限学习机的输入部分进行分块处理,重新构建极限学习机的网络结构。实验结果表明,该方法不仅能够有效降低极限学习机隐层节点的设置个数,确保输出矩阵列满秩,而且还能提高极限学习机的测量精度和泛化能力。2.针对铝电解槽存在槽况变化的问题,提出了基于槽况分类的多极限学习机软测量模型。首先引入工艺参数的离散度来表征各个参数的权重,以反映每个工艺参数对槽况分类的影响程度。然后利用基于参数重要性的模糊聚类方法对槽况进行合理地划分。最后在槽况分类的基础上,利用极限学习机分别对每个槽况建立相对应的软测量模型,以实现对槽况的分类管理。在子模型建立后,将各个子模型的结果进行组合以得到最终的测量结果。实验结果表明,基于参数重要性的槽况分类方法能够对槽况的类别进行有效地判断。相对于单一的软测量模型而言,基于槽况分类的多极限学习机软测量模型具有更高的预测精度和稳定性,且能够适应槽况的变化,因此具有更好的泛化能力和鲁棒性。