芳烃是重要的有机化工原料,我国对芳烃的需求巨大,但是现阶段国内芳烃供应量存在较大缺口。为了解决国内芳烃产能不足的问题,从我国“富煤、贫油、少气”的能源禀赋出发,研究煤基转化制取芳烃具有重大的战略意义。煤基转化制芳烃主要指的是煤经甲醇制芳烃（Methanol To Aromatics,MTA）,MTA按照反应工艺技术可分为固定床一段法、固定床两段法和流化床法。固定床两段法MTA工艺相对于固定床一段法具有芳烃总收率和总选择性高的优势,相对于流化床法具有结构简单、造价低廉的优势,因此研究固定床两段法MTA具有切实的应用前景。建立高精度的固定床两段法MTA反应过程模型对于提高固定床两段法MTA反应过程的总体性能、降低生产能耗、提高产物的产率产量及原料的转化率将起到至关重要的作用。为了筛选影响固定床两段法MTA反应过程的显著影响因素,进行了Plackett-Burman（PB）试验和方差分析,最终选定了一段反应器温度T1、二段反应器温度T2、反应压力P和甲醇体积空速τ四个显著影响因素。为了获取建立数据驱动的固定床两段法MTA模型所需的数据,以选定的四个显著影响因素为输入,以苯、甲苯和二甲苯（BTX）总收率为输出,自定义设计了四因素五水平的73组试验方案,并按照该试验方案在两段式固定床MTA装置上进行了实验,对实验产物分析计算后得到了原始实验数据集。基于质量守恒定律剔除了原始实验数据集中的异常值并对剩余数据进行了归一化处理,最终得到了包含69组数据的洁净数据集。针对固定床两段法MTA反应过程数据样本趋同、维度高、非线性、强耦合、局部差异大的特性,提出了一种Kmeans-PSO-SVR的局部建模方法,用以解决单一全局模型预测精度低,鲁棒性不强的问题。该方法首先用Kmeans算法对样本空间的数据进行聚类,实现对样本空间k个区域的划分,再用经过粒子群优化（Particle Swarm Optimization,PSO）算法优化过超参数的支持向量回归（Support Vector Regression,SVR）算法在划分好的样本空间上建立相互独立的局部模型,最终将建立的k个相互独立的局部模型组合起来组成覆盖整个样本空间的集成模型。在不同噪声水平下将Kmeans-PSO-SVR方法的建模效果与单一全局SVR、BP神经网络和线性回归三种算法的建模效果进行了比较分析,结果表明:Kmeans-PSO-SVR局部建模方法的性能在所有水平的噪声下都明显优于其他三种建模方法,并且该方法对噪声具有很强的鲁棒性。为了寻找使得BTX总收率、副产物LPG的收率、经济效益和生产能耗同时达到相对最优的工艺条件,构建了以BTX总收率、LPG质量收率、单位时间内的经济效益和单位时间内的能耗为优化目标的四个目标函数。然后,针对四个优化目标进行了单目标优化。最后,基于构建的四个目标函数利用多目标粒子群优化（Multi-objective Particle Swarm Optimization,MOPSO）算法对固定床两段法MTA的一段反应温度T1、二段反应温度T2、甲醇体积空速τ和反应压力P四个关键工艺参数进行了多目标优化,并用五次独立重复实验验证了优化结果的可靠性。比较多目标优化和单目标优化的结果可知:进行单目标优化时仅侧重于一个优化目标,得到的最优解往往会牺牲其他的优化目标,而多目标优化的最优解是一组在四个优化目标（BTX总收率、LPG质量收率、单位时间内的经济效益和单位时间内的能耗）之间权衡的Pareto解。