化工过程鲜明的非线性和多尺度性特征给传统过程建模带来了困难,而“智能工厂”的建设使化工企业拥有海量的过程数据,如何有效利用这些数据对过程进行建模并解决实际问题,成为目前化工过程建模的探索方向之一。本文以催化裂化装置为研究对象,基于Hilbert-Huang变换方法获得的系统的多尺度结构,在数据驱动下建立时间序列预测模型、特征变量选择模型和多输入单输出预测模型,为工业催化裂化装置中的位点监控、关键变量筛选以及汽油收率预测提供科学的分析方法及工具。为实现对关键位点的监控,需要对时间序列进行快速、准确地预测。本文以催化裂化装置中的沉降器顶部压力和温度序列为例进行分析并建模预测。分析结果表明,装置系统中存在着介尺度与宏尺度共存、混沌性与稳定性同在、不同尺度相互驱动耦合的特性。从工业数据分析的角度证实了前人对催化裂化装置多尺度特性的推断。基于分析结果,建立具有时间记忆功能的LSTM神经网络,结果显示,在同样的计算时间下,压力序列和温度序列的预测误差分别降低了29.8%和32.8%,说明只有准确认清了过程的多尺度特性,才能建立准确、高效的数据驱动模型。为从高维的数据库中快速找出影响目标变量的关键因素,建立了FilterWrapper混合特征选择模型。分别以装置中有着指示作用的重点监控变量(如沉降器顶部压力等)和体现催化裂化装置生产能力的收率变量(如汽油收率等)作为目标变量,将原始数据库中的445个特征精简到原来的2%~10%,大大简化了数据驱动建模的复杂程度。不仅如此,混合特征选择模型还能够从数据自身规律的角度出发进行“知识发现”,找寻隐含在工艺过程中的潜在的关联特性。针对汽油收率预测,基于多尺度分解方法和特征选择方法,结合机器学习模型建立预测模型。考察原始尺度输入、筛选后的原始尺度输入、多尺度输入这三种不同的输入变量分别在线性和非线性两种模型中的预测情况。结果显示,非线性模型的预测效果整体优于线性模型,多尺度模型的预测效果最佳,对比之下,本文提出的多尺度收率预测模型能够降低15%以上的预测误差。而经过选择后的原始尺度模型效果最差,说明使得预测性能提高的根本原因并非特征选择,而是多尺度分解步骤,这更加表现出了从多尺度角度进行建模的科学性和优越性。