偏最小二乘(PLS)模型是软测量等质量相关工业任务中最典型的数据驱动方法。然而,在PLS中,输入和输出数据之间只捕获了线性关系。在残差子空间中很难获得剩余的非线性信息,这可能会降低复杂工业过程中的预测性能。为了充分利用PLS残差子空间中的数据信息,本文提出了一种用于质量预测的深度残差PLS(DRPLS)框架。受深度学习的启发,DRPLS是通过连续堆叠多个PLS来设计的,其中前一个PLS的输入残差被用作层连接。为了增强表示,在使用它们堆叠高级PLS之前,对输入残差应用非线性函数。对于每个PLS,输出部分只是其先前PLS的输出残差。最后,通过将每个PLS的结果相加得到输出预测。在工业加氢裂化过程中验证了所提出的DRPLS的有效性。 关键词:深度残差偏最小二乘(DRPLS)、非线性函数、质量预测、软测量。