间歇过程具有非线性、时变、强耦合等特点,难以准确建立过程监控模型。而基于数据驱动的监控模型是通过对生产过程数据进行处理,分析隐含信息来对复杂过程的运行状态进行检测、分析、评价及处理的,具有较好的准确性和适应性。本文以啤酒发酵过程这一典型间歇生产过程作为对象,基于聚类分析理论研究间歇过程的故障诊断算法,并通过仿真实验验证了所提出改进算法的性能。主要研究内容及结论如下:1、针对模糊C均值聚类故障诊断算法对于非球状或椭球状数据集聚类效果不佳的问题,提出在FCM聚类算法中引入核函数,将输入数据映射到高维特征空间,达到放大数据集中样本间的差异,提高算法对于非球状或椭球状数据集分类准确度的目的。2、针对FCM算法对初始值敏感并易陷入局部最优值这个问题,提出使用智能优化算法粒子群优化(PSO)算法,对聚类中心找到全局最优解,以克服FCM算法对初始值随机选取和易陷入局部最优的问题。3、以仿真实验的形式,对基于PSO-KFCM的啤酒发酵过程故障诊断算法进行验证。通过比较KFCM和FCM聚类算法的实验结果,得出结论:基于PSO-KFCM的间歇过程故障诊断算法的诊断准确度有显著的提高。