复杂化工制造流程中存在噪声多、变量之间关系复杂等特点,基于化学反应机理构建关键指标预测模型的传统预测方式往往不易获取满足要求的预期成果。基于神经网络的数据驱动预测模型通过采集实际生产过程中的生产装置时序数据建立关键指标预测模型,相比于机理模型具有更好的预测能力以及灵活性。本文以聚丙烯（Polypropylene）生产装置为数据源,利用人工神经网络的特征学习能力,从时序数据中挖掘到数据变化趋势等信息,从而准确预测化工生产过程中的循环气温度、进料流量等关键指标数据,实现化工过程时序数据分析以及关键指标预测方法的研究。本文的主要研究内容包括:1、针对化工生产过程中噪声等因素会导致其时序数据存在异常和波动,无法直接应用于数据建模的问题,提出了一种基于无监督学习的异常值检测与处理算法。所提方法使用基于时间序列特征的树模型找到时序数据中的异常数据,经过自动编码器处理后能够剔除异常点,保证数据的一致性、可用性。通过UCI数据集验证了该方法的有效性。2、针对实际生产中产生的时间序列数据具有数量多、波动多的特点,提出了一种基于熵特征的时间序列关联性分析算法,通过计算时间序列的熵特征以及分段特征得到时间序列的波动关联性,获取关联度高的时间序列集合。所提方法用于前述章节异常值处理后的聚丙烯生产数据分析上,实验结果表明相比于传统算法,F1指标评分指标更高。3、针对传统机理模型灵活性差、准确度低的问题,提出了一种基于多头注意力机制和门控循环单元（GRU）的神经网络结构（MAttGRU）。通过多头注意力获取序列数据中更多的特征信息,建立时序预测模型。基于时序数据异常处理以及关联性分析,所提方法用于复杂聚丙烯装置时序数据循环气温度、进料流量等关键指标预测建模中,实验结果表明在单步和多步预测场景下,所提模型能够准确预测关键指标的趋势和数值,更好的实现生产装置的有序运行。