在工业过程中,产品的质量是最应该关注的焦点,同时也是生产过程的重点,但是由于经济、环境各方面的因素的限制,致使一些产品质量难以直接验证或者验证周期长,所以产品质量保证也就变成了工业过程的难点。而预测建模技术能通过相关且容易测量的过程变量实现对目标变量的预测,免去直接测量造成的不便。虽然建模预测技术已经应用到了一些工业过程中,但是目前的研究与应用仍多处于静态假设阶段,随着数据采集设备的不断普及与更新,工业过程数据集的特征也变得越来越复杂,数据量大、高度非线性、高维度以及时变的特征越来越明显。本文就是围绕着复杂工业数据集的变量选择与建模预测等问题开始研究的,从变量选择开始,提出基于混合准则的变量选择方法,然后基于BP神经网络和自适应移动窗口建立动态预测模型,最后将变量选择方法与建模预测方法结合,建立高精度的预测模型。本文的具体内容如下:1.针对复杂工业过程数据存在高相关、高维度的特征,本文研究了在复杂工业过程数据特征下的变量选择问题。本文在分析并使用了常用的单一准则的变量选择方法的基础上改进了一种基于混合准则的变量选择方法。该方法能够解决单一准则对工业复杂数据变量选择精度不够的问题。将该方法应用到water-treatment、LAB等案例中,利用选出的变量子集建立BP神经网络模型对比实验,验证了该混合准则变量方法的有效性。2.针对工业复杂数据非线性、大样本以及突变的特征,本文研究了工业复杂数据特征下的自适应移动窗口预测建模的问题。单一静态的预测模型在处理不均衡的数据时容易失效。本文在结合BP神经网络方法特点与PLS-AMW方法特点的基础之上,提出了一种改进的自适应预测模型(BP-AMW)。将该方法应用到TE化工过程数据集中,并与单一的BP神经网络以PLS-AMW建模方法进行了对比,实验结果表明改进BP-AMW预测性能有一定的提升。3.为了解决具有高冗余、非线性以及突变特征的复杂工业过程建模问题。本文提出了基于GA-NLP与BP-AMW结合的预测建模方法。首先通过自适应移动窗口遍历训练集,利用GA-NLP方法进行变量选择,然后建立BP神经网络模型集。最后对TE化工过程进行仿真实验,对比分析预测结果,发现本文提出的结合预测方法能过有效降低复杂数据的冗余度,并且能够进一步提升模型的预测性能。