间歇过程是一种柔性较强的工业生产方式,在生产过程中能够根据生产目标配比原材料并调整生产流程,获得高附加值的产品,已广泛应用于半导体、食品加工以及制药等领域。为了确保间歇过程的生产安全,保障产品质量,利用过程模型描述过程发展趋势,并实现在线监测是目前最为有效,也是使用最为广泛的技术手段。传统的建模方法利用同一模态的过程数据训练模型,使得训练数据集中包含了部分与当前过程特性不相似的训练数据,制约了模型精度的提高,降低了后续异常检测的准确性。因此,充分考虑间歇过程多模态特性,研究基于混合模型的多模态间歇过程测量数据异常检测方法,提取合适的数据建立准确的过程模型,实现间歇过程测量数据异常检测,具有重要的意义。本文在研究多模态间歇过程特性和数据特征的基础上,构建了多模态间歇过程混合模型,提出了一种基于混合模型和支持向量数据描述的间歇过程测量数据异常检测方法。首先,对间歇过程进行机理分析建模,采用粒子群算法对未知机理参数进行寻优估计;然后,在相关向量机中引入即时学习,给出一种能够在模态归属和结构距离上评价数据相似性的数据融合相似性度计算因子,计算实时数据与历史数据之间的数据融合相似度,以数据融合相似度最大化为目标,构建即时学习训练数据集,结合相关向量机算法建立即时学习相关向量机辨识模型;进而,给出一种基于机理分析和即时学习相关向量机的多模态间歇过程混合建模方法,建立由过程机理模型和辨识模型构造的多模态间歇过程混合模型;最后,利用混合模型对测量变量数据进行实时预测,以混合模型预测值与过程测量值之差构造训练数据集,建立基于模型预测值与测量值之差的超球体模型,实现间歇过程测量数据的在线异常检测。实验研究表明,所提出的基于机理分析和JIT-RVM的多模态间歇过程混合建模方法,能够有效捕捉间歇过程数据的动态特性,相比于基于机理分析和RVM的混合建模方法,具有较高的建模精度;所提出的基于混合模型和SVDD的间歇过程测量数据异常检测方法,能够准确实现间歇过程测量数据异常检测,相比于传统基于测量数据构建的SVDD异常检测模型,具有更高的异常检测精度。