该文以某炼油厂催化重整装置的催化剂再生过程烧焦区氧含量为背景,对软测量建模方法进行了研究.首先基于现场采集的数据和机理分析,确定了氧含量软测量建模的辅助变量,并应用最小二乘法(PLS)、BP网络、RBF网络建立了氧含量的单模型结构软测量模型.针对单模型结构建模中存在的问题,对多模型结构软测量技术进行了研究.在多模型加权结构软测量建模方面,提出了应用神经网络产生样本的隶属度矩阵构造样本输出权值的方法;针对工业过程负荷变化比较大、多模型加权结构中权值较难确定的问题,提出了软测量的多模型非加权结构.建模对比分析表明,多模型加权结构与非加权结构能有效提高软测量模型的泛化能力,具有比单模型更好的建模效果.然后论文详细论述了多模型非加权结构软测量建模方法:首先,采用聚类性能良好的模糊C-均值聚类FCM(FuzzyC-means)方法,结合聚类有效性指数(Cluster validity index),对氧含量软测量数据进行了聚类分析,得到了合理聚类,建立了多模型非加权结构中的分类模型;其次,针对FCM收敛速度问题,结合S-FCM(Suppressed Fuzzy C-means)算法,定性地提出了m-α关系,探讨了提高FCM收敛速度的方法;该文还提出了一个新的判别分析方法--基于RBF神经网络的模糊推理分类器,用于对软测量数据进行判别分析,仿真表明这种判别分析方法理论意义明确、时间反应迅速、误判率低,具有很好的判别分析效果;最后,建立了氧含量软测量的多模型非加权结构模型,应用现场采集的数据仿真表明,该方法具有输出误差小、泛化能力强等特点,在氧含量软测量中获得了令人满意的效果,具有良好的推广应用价值.