聚酯纤维作为一种合成高分子材料，以其强度高、弹性好等优良的性能被广泛应用于纺织领域。聚酯纤维的生产过程主要包括聚合、熔体输送、纺丝以及后加工四个部分。作为起始环节，聚合过程生成的聚酯直接影响着生成的纤维性能。其中，特性粘度是衡量聚酯质量的关键指标。因此，实现聚酯特性粘度的精准预测十分必要。由于聚合过程具有高度非线性、时变性、复杂性以及耦合性等特点，建立准确的机理模型十分困难。因此，本文利用数据驱动建模方法对聚酯特性粘度进行离线预测、在线预测和波动范围预测等三个方面进行了研究。首先，采用粒子群算法对极限学习机的参数进行优化，同时改进激活函数，实现了聚酯特性粘度的离线预测；然后，在在线序列极限学习机的基础上，引入自适应的记忆因子和遗忘因子，实现了聚酯特性粘度的在线预测；最后，引入模糊信息粒化的概念实现了聚酯特性粘度的波动范围预测。
　　本文的主要贡献如下：
　　（1）采用皮尔逊相关系数对聚合过程中的过程变量与聚酯特性粘度进行相关性分析，根据相关性的大小对输入变量进行筛选，最终选定本论文中聚酯特性粘度的离线与在线预测模型的输入变量分别为：酯化反应釜的温度T1、预缩聚反应釜的温度T 2、终缩聚反应釜的温度T 3、酯化反应釜的压强P1、预缩聚反应釜的压强P 2、终缩聚反应釜的压强P3、预缩聚反应釜中TiO2（二氧化钛）的添加量F1；输出变量为终缩聚反应釜出口处的聚酯特性粘度IV。
　　（2）基于改进激活函数和粒子群优化的极限学习机算法(PSO-RSELM)建立了聚酯特性粘度的离线预测模型。由于极限学习机(ELM)的参数和激活函数的选取与预测性能紧密相关，因此，首先以聚酯特性粘度的预测值和真实值之间的均方根误差(RMSE)作为适应度函数，然后使用粒子群算法(PSO)对ELM的输入层权值和隐含层阈值进行迭代寻优，最后选择ReLu函数和Softplus函数的组合形式作为ELM新的激活函数。仿真结果表明，所提出的算法提高了聚酯特性粘度的离线预测精度。
　　（3）基于记忆因子和遗忘因子的在线序列极限学习机算法(MFSOS-ELM)建立了聚酯特性粘度的在线预测模型。由于在线序列极限学习机(OS-ELM)没有考虑训练过程中新旧样本的差异性，因此，在OS-ELM的基础上引入记忆因子和遗忘因子，并根据新旧样本的相似度对记忆因子进行自适应调节，根据旧样本训练的模型对新样本的预测误差对遗忘因子进行自适应调节。仿真结果表明，所提出的算法提高了聚酯特性粘度的在线预测精度。
　　（4）基于模糊信息粒化和粒子群优化的极限学习机算法(FIG-PSO-ELM)建立了聚酯特性粘度的波动范围预测模型。首先利用模糊信息粒化方法(FIG)对聚酯特性粘度的时间序列数据提取特征分量；然后采用粒子群优化的极限学习机算法(PSO-ELM)对各个特征分量分别进行预测；最后联合三个分量的预测结果可以得到聚酯特性粘度的波动范围。仿真结果表明，所提出的算法可以实现聚酯特性粘度的波动范围预测，并且与其他方法相比预测精度较高。
　　最后，总结了全文的研究内容，并针对不足之处进行了探讨，并提出了今后进一步的研究方向。