间歇过程是生物制药、精细化工、微电子、食品等行业的主要生产方式，广泛应用于医药、生物制品、半导体器件等高附加值产品的生产中。在间歇过程中，通过获取过程变量的在线测量数据，分析过程变量状况，对生产过程实施在线监测与优化控制，有效地提高了间歇生产过程安全运行和生产优化。受在线测量技术的制约，在间歇过程中存在着不易测量的过程变量，直接影响着间歇过程的在线监测与优化控制。软测量通过建立间歇过程不易测量过程变量与易测变量之间的数学模型，能够在线估计不易测量过程变量，已成为不易测量过程变量在线测量的重要方法。然而，间歇过程受操作工艺、生产现场环境、现场测量仪表性能衰减等因素的影响，所获得的过程数据具有非规则特征，非规则过程数据主要表现为生产批次切换导致的不等长批次数据、操作切换的多时段数据，这些非规则数据直接用于间歇过程软测量，严重影响着数据驱动的软测量的准确性;同时现有的间歇过程软测量建模方法通常仅考虑了过程数据的非线性，没有考虑过程数据具有的高维度、动态性特征，降低了软测量建模的准确性。因此，研究非规则数据下的间歇过程软测量建模方法具有重要的理论意义和应用价值。
　　本文在详细分析间歇过程非规则数据特征和软测量方法的基础上，研究非规则数据下的间歇过程软测量建模方法，主要完成以下研究工作:
　　1、针对间歇过程的不等长批次数据问题，提出了一种基于核动态时间规整的间歇过程不等长批次数据同步化方法。该方法首先通过核函数将不等长批次数据投影到高维特征空间;然后建立同步化性能评价指标来获取最优核参数，进而获取高维特征空间中的最优同步化路径;最后利用动态时间规整实现不等长批次数据的同步化。青霉素发酵过程和半导体蚀刻过程的实验结果表明，与动态时间规整相比，基于核动态时间规整的间歇过程不等长过程数据同步化结果具有较高的准确性和鲁棒性，能够为间歇过程的软测量建模提供具有一致性的间歇过程数据。
　　2、针对间歇过程的多时段数据问题，提出了一种基于时序核模糊聚类的间歇过程多时段划分方法。该方法结合信息熵和核方法，构建具有非线性约束和噪声鲁棒性的目标函数，通过构造内嵌类隶属度和时序隶属度，实现时序时段的划分;利用建立的时段划分评价指标，实现最优时段个数的自动获取。数值仿真和青霉素发酵过程的实验结果表明，所提方法能够有效处理间歇过程数据的时段划分，获取的时段划分结果具有较高的准确性和鲁棒性。
　　3、针对具有非线性、高维度和动态特征的过程数据软测量建模，提出了一种基于改进即时学习-相关向量机的软测量建模方法。首先，综合考虑过程数据的高度非线性和高维度特征，提出一种改进的即时学习算法，通过构建基于超球体距离和核距离的综合相似度构造在线样本的相似样本数据集;然后，建立基于相关向量机的局部软测量模型，实现过程变量的在线测量。数值仿真、UCI机器学习数据集和青霉素发酵过程的实验结果表明，相比相关向量机和即时学习-相关向量机软测量建模方法，所提的改进即时学习-相关向量机的软测量建模方法，具有较高的模型预测精度和较强的鲁棒性。
　　4、在非规则数据处理的基础上，利用改进即时学习-相关向量机的软测量建模方法，构建了非规则数据处理的间歇过程软测量建模框架，建立了非规则数据下的间歇过程软测量模型。首先利用核动态时间规整算法同步化不等长的批次数据;然后利用时序核模糊聚类算法划分同步化后的批次数据的多时段，构建基于时序约束核距离的在线时段辨识策略;最后构建基于相邻时段的建模样本数据库，利用改进即时学习-相关向量机算法建立间歇过程软测量模型，实现过程变量的在线测量。工业级青霉素发酵过程和工业级金霉素发酵过程的实验结果表明，所建立的间歇过程软测量模型有效地实现了非规则数据下的过程变量在线测量，测量结果具有较高的准确性。
　　本文所提出的非规则数据处理方法能为间歇过程的非规则数据处理提供新的途径;所提出的软测量建模方法能为具有非线性、高维度和动态特征数据的软测量提供了一种有效的、准确性高的建模方法，能够拓展并应用于机器学习的回归预测领域;以非规则数据处理为基础的间歇过程软测量建模方法，能够提高间歇过程变量软测量模型精度，同时促进间歇过程软测量方法及技术的工业应用，在生物制药、精细化工、微电子、食品等行业有广泛的应用前景。