針對傳統混煉過程膠料粘度預測存在的輔助變量信息冗余大及冗余導致模型結構的復
雜化和泛化能力的降低提出先進行主元分析；同時由于對象的復雜性，傳統的建立單一模型的思想存在著弊端，從而提出基于RBF 神經網絡建立多網絡模型思想并進行仿真。
目前，基于信息化集成的計算機檢測與控制系統遍布各種生產線和現場裝備，為我們提
供了大量有用的生產實時信息。但由于技術或經濟的原因，絕大多數生產過程的主要質量指標或參數難以實現在線檢測，這極大地制約了控制性能和產品質量的提高?；诳蓹z測參數的軟測量方法，為解決這一問題提供了相對簡單可行的途徑，從而成為過程測控研究的首要問題[1]。目前有關研究主要包括二次變量的選擇、數據處理、軟測量模型的建立以及模型的在線校正等幾個方面[2]。其中，建模是軟測量的核心，也是目前研究的熱點和重點。由于生產過程的復雜性和人們知識的局限性，精確的機理解析模型通常很難得到，而構建基于數據驅動的建模方法成為了主要研究方法。
橡膠是組成輪胎的主要原料，橡膠混煉是輪胎生產過程最重要的源頭工序，混煉膠料的
質量決定了輪胎的質量和成本，然而一直以來由于檢測技術的發展滯后，缺乏檢測混煉膠主要質量指標――門尼粘度的在線檢測設備，過去人們主要利用統計方法進行單因素或多因素建模，取得了一定的成果，但在模型的泛化能力、預測精度上尚存在一定的問題。
由于生產過程中采集數據存在不同程度的冗余，變量之間存在不同程度的線性相關關
系，冗余信息的存在導致狀態空間的嚴重高維化、模型結構復雜甚至缺乏實用性。因此，在選擇充足的輔助變量后如何判斷這些變量之間是否存在復共線性并進行降維是必要的。同時，工業生產過程中同一設備或生產線往往需要交替生產多個不同工藝（甚至不同性質）的產品序列，對同一設備或生產線建立一個具有較好魯棒性和精度的單一模型存在較大的困難。綜上，本文提出從主元分析入手，通過對過程數據特征變量的提取進行模型分類，并利用RBF 神經網絡進行膠料粘度的多網絡預測建模研究。