性能预测模型在铝合金薄板带材生产过程中可以用于产品性能优化、新铝合金型号设计和性能动态控制等方面。随着铝板带材生产装备的发展,大量的传感器被部署在生产设备上,借助生产过程大数据建立更精确的性能预报模型已成为软测量建模领域的研究热点。集成学习可以提高模型的预测精度和泛化性能,近年来被广泛应用于工业过程建模,但目前的研究往往忽略了基模型间的多样性对集成学习模型的泛化性能的影响,而且集成学习需要建立多个基模型,算法的空间复杂度和时间复杂度较高,影响实际应用。针对上述问题,本论文的研究目标主要包括:一是基于基模型之间的多样性和基模型的精确性,对基模型进行选择性集成以提高集成学习的泛化性能;二是提出分布式并行计算优化的集成算法,提高集成学习模型的计算效率;三是将选择性集成建模方法用于铝合金薄板带材的力学性能预测。具体的研究内容如下:针对集成学习的基模型选择问题,提出同时考虑基模型之间的多样性以及单一模型性能的选择性集成建模方法。首先,提出一种基于博弈论的静态集成选择方法,将基模型对集成模型的多样性贡献率和单一基模型的精度作为博弈双方,利用博弈论原理求取使得集成模型准确性和多样性都达到最优的选择方案。其次,提出一种基于近似线性依靠的动态集成选择方法,利用ALD条件选择样本加入验证集,经过挑选的样本能够更好的代表建模对象的特性;综合基模型在验证集上的预测性能和多样性进行模型选择,使得在集成模型在线运行时,动态的增减基模型以适应建模对象的特性变化;并且提出一种基于基模型历史误差的加权融合方法对多个基模型的预测结果进行融合,进一步提高集成模型的精度和泛化性能。最后,通过公开数据集和实际工业数据验证了所提算法的合理性和有效性。针对在大数据环境下集成学习模型在训练与应用时计算效率不足的问题提出了集成模型并行化算法。首先描述了在线极限学习机的并行化算法,然后将集成框架进行并行化,给出了集成训练阶段和集成应用阶段的并行化计算流程。最后,通过实验证明并行化算法的有效性。将提出的方法应用于铝合金薄板带材的力学性能预测,对铝合金薄板带材生产工艺进行分析并选取影响质量指标的关键变量,对工业现场数据进行预处理,利用PCA算法对高维工业过程数据进行降维,建立选择性集成模型进行质量指标预测,对比了基本集成算法和本文所提出的改进算法,结果表明本文所提算法具有更好的预测性能。