随着现代化社会的快速发展,工业自动化程度越来越高,工业过程中对关键变量的测量与控制的要求也越来越高。针对工业过程中某些关键变量难以测量、实时性不足、测量成本高等难题,软测量技术提供了一种以数学建模及软件编程来代替硬件传感器的方法,引起了广大学者的研究和关注。论文以某铜矿的浮选过程作为研究背景,该过程中精矿品位代表了浮选过程的产品质量和生产效率,是铜矿浮选过程的关键技术指标。然而,在实际生产中,该变量通常采用离线人工化验的方式获得,存在实时性不足、测量成本高等问题。论文系统地分析了某铜矿浮选生产工艺,研究了基于神经网络的软测量建模算法,并建立了数据驱动的铜精矿品位软测量模型。本论文的主要研究内容如下:(1)针对复杂的系统,提出了一种基于非负绞杀(Nonnegative garrote,NNG)算法和极值优化(Extremal optimization,EO)算法相结合的多层感知机(Multi-layer perceptron,MLP)的变量选择算法。首先利用现有数据集,基于MLP对复杂系统建模,得到一个训练好的MLP神经网络;其次利用NNG对训练好的MLP神经网络的输入权重进行系数压缩和变量选择。在此基础上,由EO算法执行进一步的局部变量选择,得到更加精炼的数据集,并给出最终的MLP模型。(2)利用两种不同类型的数值仿真算例,从各种不同的变量规模、样本数量以及相关性等条件下测试了算法的有效性,并与其他经典的MLP软测量算法进行了综合对比。仿真结果表明,本算法结合了NNG算法全局压缩和EO算法局部搜索的优点,无论是在算法精度还是在变量选择的准确度上均优于其他算法。(3)本文对某铜矿浮选过程的工艺流程进行了分析,包括浮选的物理化学反应机理、浮选装置和工业数据系统提供各种变量进行了研究。针对当前铜矿浮选过程中精矿品位测量存在的问题,以及该过程非线性、复杂性、变量多等特点。将所研究算法应用到铜矿浮选过程建模,实验结果表明该算法能够成功地预测铜精矿铜品位值的动态变化,同时算法所给出的变量重要性分析与实际操作经验一致,能够为过程的优化及控制系统改进提供理论及技术支撑。