作为炼油企业的龙头的常减压蒸馏装置,实现装置产品质量优化操作的前提是充分获得装置主要产品质量好坏的测量反馈信息。但很多衡量产品质量的重要参数指标是无法直接测量的,且在线测量产品质量的在线色谱仪存在价格昂贵、测量滞后以及维护不便的问题。本文系统分析了常减压蒸馏流程,进行常减压油品闪点、粘度软测量和常减压塔三线收率优化的研究,充分挖掘装置的优化潜力。本文在分析常减压蒸馏装置工艺机理和操作特点的基础上,研究油品闪点、粘度、侧线质量的相关变量,作为软测量模型的辅助变量获取某石化常减压蒸馏装置生产现场数据后,对数据进行异常数据排除、信号误差处理以及变换数据后,得到模型建立的输入数据,并且加入测量滞后时间的考量,提高建模的有效准确性。选取RBF神经网络技术作为解决产品质量软测量建模的方法,因其具有能逼近任意的非线性函数的优良性能,选取正交最小二乘法用于网络的学习,模型的在线校正过程中选择带遗忘因子的递推算法,训练网络后得到精度较高的非线性系统模型。将该技术应用于常三线、减二线、减三线油品粘度和闪点软测量建模,获取了较好的结果。在介绍传统的复合形优化方法基础上,研究了新型的群智能优化方法—萤火虫优化(GSO)算法,通过更新荧光素值、搜索最亮个体、更新个体位置、更新感知范围实现优化过程。将复合形法和GSO法均用于常压塔轻油收率的稳态优化问题,获取了装置的优化操作参数,提升了产品收率,实现经济效益的增长。