在传统的化工生产流程中,往往需要建立一个可靠的数学模型用来表示进料输入与产出之间的联系,为操作人员更加精准地把控生产流程提供方便。然而,目前存在于石油化工流程中的主要问题是小样本问题,小样本数据通常具有样本数量少、数据分布不均衡、数据不完整等特点,由此造成建立的数学模型精度低、误差大,不能完整地刻画样本空间的整体特征。针对上述小样本问题,本文提出了一种基于噪声注入的自编码神经网络(Auto-Associative Neural Network,AANN)生成虚拟样本方法,有效地对不均衡数据进行填充,进而缓解小样本数据带来的数据不均衡分布问题,同时传统化工过程建模速度慢、精度低,故而结合增量采样法与极限学习机(Extreme Learning Machine,ELM)原理,对虚拟样本数据进行快速建模,针对扩充样本数据集之后在建模过程中遇到的由于激活函数选取引起的性能限制问题,本文提出了多激活函数极限学习机(LV-MAFELM),通过设置多个非线性函数作为隐含层节点的激活函数,利用主元分析法提取隐含层输出部分的主成分,有效剔除隐层输出的冗余部分,解决了隐含层节点个数难以选取的问题,从而进一步优化极限学习机网络模型,提升建模精度。本文使用添加高斯噪声的自编码神经网络和乙烯工业生产过程所用数据来验证本文提出的虚拟样本生成方法的正确性;同时采用多激活函数极限学习机结合乙烯数据和精对苯二甲酸工业生产过程数据验证基于多激活函数极限学习机的有效性和适用性。结果表明,本文提出的虚拟样本生成方法可以有效解决小样本数据带来的样本分布不均衡问题;本文提出的LV-MAFELM能够在传统ELM快速建模的基础上,进一步提升建模精度和模型稳定性。