刮膜式分子蒸馏器因其引入刮板,使得蒸发器表面上的流动异常复杂,很难建立相应的模型。针对刮膜式分子蒸馏工艺参数难以实时准确测量且测量时间冗长等问题,利用软测量技术建立刮膜式分子蒸馏蒸发过程的预测模型。软测量技术不需要进行建立复杂的数学模型,只需在先前经验知识的基础上,利用不同的数学计算或估计方法,找到辅助变量与目标变量之间的数学关系,对不易获得的数据进行估计预测。首先,在分析影响分子蒸馏工艺参数因素的基础上,选取进料速度、系统温度、真空度以及刮膜电机转速作为辅助变量,采用3?准则,以及归一化处理对数据进行预处理,然后采用BP神经网络以及支持向量回归算法(Support Vector Regression,SVR)建立了关于刮膜蒸发过程数据的软测量模型。经仿真分析发现这两种数据驱动方法存在全局收敛能力弱,稳定性差、容易陷入局部最优的缺点,故需要对建立的模型进行改进优化。其次,针对BPNN以及SVR两种软测量模型出现的问题,提出了一种基于改进灰狼算法(Improved Grey Wolf Optimizer,IGWO)和支持向量回归相结合的刮膜蒸发过程软测量方法。运用改进的反向学习(Opposition Based Learning,OBL)策略对灰狼算法(Grey Wolf Optimizer,GWO)进行优化,然后采用优化后的灰狼算法对支持向量机的模型参数进行寻优,最终通过IGWO-SVR软测量模型实现对刮膜式蒸发过程工艺参数的精确预测。为了验证该方法的有效性,将通过此方法得到的预测结果与GWO-SVR、PSO-SVR、SVR以及BPNN的预测结果对比,结果表明,基于IGWOSVR的软测量模型的预测性能优于其它模型,证明了该方法在刮膜蒸发过程工艺参数预测过程中有很强的优越性。最后,刮膜式分子蒸馏装置中刮膜电机的性能对分子蒸馏工艺参数优化有着非常重要的意义。采用延时估计控制方法对无刷直流电机(Brushless DC Motor,BLDCM)进行稳定性控制,将参数不确定性和外部干扰等因素视为系统出现的总扰动,设计延时估计控制器进行误差期望补偿,从而有效地抑制BLDCM驱动系统的混沌行为;接着运用延迟反馈对BLDCM进行混沌反控制,使BLDCM从稳定状态以及极限环状态进入混沌状态,并基于电流转换器(CCCⅡ)设计了系统的仿真电路,以及同步仿真电路。