近年来，随着现代社会对多品种、多规格和高质量产品越来越迫切的市场需求，工业生产更加倚重于能够生产小批量、高附加值产品的间歇过程。高效可靠的故障检测与诊断对保证间歇过程生产安全和提高产品质量起着极其重要的作用。遍布于间歇过程生产中的传感器能够采集和存储大量的过程数据，为基于数据驱动的间歇过程故障检测与诊断技术提供了良好的发展契机。慢特征分析（Slow Feature Analysis，SFA）作为一种倍受研究人员关注的数据驱动方法，能够从输入数据中提取出不变或变化缓慢的特征信息来描述过程随时间变化的总体趋。考虑到间歇过程无稳态工作点，在一个生产批次中动态的由一个操作阶段转化到另一个操作阶段，每个操作阶段上都具有缓慢变化的趋势，本文利用SFA提取各操作阶段上导致间歇过程动态时变的潜在驱动力（潜在变化的参数），并结合间歇过程的数据特点，研究基于SFA的间歇过程故障检测与诊断方法。本文的主要研究工作和取得的成果简述如下：
　　（1）针对间歇过程数据的非线性和固有的时变动态特性，提出基于多路全局保持核SFA（Global Preserving Kernel SFA，GKSFA）的间歇过程故障检测方法。首先将KSFA扩展到检测间歇过程的故障，提出多路KS FA方法。为了克服多路KS FA仅保持间歇过程数据局部结构信息的局限性，进一步将全局保持结构分析的思想融入到多路KS FA中，提出多路GKSFA算法提取间歇过程的局部动态数据关系同时保持数据的全局结构信息；最后基于累积缓慢贡献率设计了一个准则来确定多路GKSFA模型中所要保留潜变量的数目。数值非线性系统和青霉素发酵过程的故障检测仿真实验结果表明，提出的方法能有效的改善间歇过程故障检测性能。
　　（2）针对KSFA无法利用连续过程数据的类别标签信息的问题，提出基于判别KSFA（Discriminant KSFA，DKSFA）的连续过程故障检测和识别方法。首先将判别分析技术与KSFA相结合中，提出DKSFA方法提取正常工况数据和故障模式数据之间的判别信息，然后采用支持向量数据描述（Support Vector Data Description，SVDD）通过描述判别信息的分布域构建监控统计量检测过程故障。检测到故障后，利用DKSFA提取当前故障数据的故障方向，然后通过当前故障数据的故障方向与各类历史故障数据的故障方向之间的相似性识别当前故障数据的模式。在连续搅拌反应釜（Continuous Strirred Tank Reactor,CSTR）上的仿真实验表明了基于DKSFA的连续过程故障检测和识别方法的有效性。
　　（3）针对利用间歇过程数据的类别信息和非线性故障变量辨识的问题，提出基于判别GKSFA（Discriminant GKSFA，DGKSFA）的间歇过程故障检测和故障辨识方法。将提出的DKSFA扩展到间歇过程的故障检测领域时，DKSFA仅保持正常工况数据的局部近邻结构而忽略了其全局结构信息。进一步将全局结构分析融入到DKSFA中，提出基于DGKSFA的间歇过程故障检测方法，不仅提取间歇过程数据的判别信息而且能够同时保持正常工况数据的全局和局部几何结构信息。检测到间歇过程发生故障后，为了解决非线性故障变量辨识的问题，基于待识别故障数据的过程变量伪样本轨迹在DGKSFA的非线性双坐标图中的投影，提出了一种新的非线性贡献图法。在数值系统和青霉素发酵过程上的故障检测和故障辨识仿真实验结果表明，提出的方法具有较好的故障检测性能，并且能够准确的识别故障变量。
　　（4）针对间歇过程的多操作阶段特性和故障变量辨识的问题，提出基于全局保持统计量SFA（Global Preserving Statistics SFA，GSSFA）的间歇过程故障检测和故障辨识方法。首先建立统计量慢特征分析（Statistics Slow Feature Analysis，SSFA）模型提取不同生产批次数据在相同的采样时刻上缓慢变化的信息，然后基于SSFA模型定义阶段识别（Phase Recognization Factor，PRF）指标自动的划分稳态阶段和过渡区域。在此基础上，进一步提出GSSFA算法不仅提取间歇过程固有的时变动态特征信息，而且挖掘过程数据的全局结构信息，并且基于GSSFA模型采用不同的监控策略分别检测稳态阶段和过渡区域的故障。检测到故障后，基于GSSFA模型提出一种改进的重构贡献图（Improved Reconstruction based Contribution,IRBC）法识别故障变量。提出的IRBC方法基于过程变量统计量的RBC值构建过程变量相对于监控指标的新贡献。在数值多阶段系统和青霉素发酵过程上进行故障检测和故障辨识的仿真实验，结果表明提出的方法对故障具有较高的检测灵敏性，并且能够准确的识别故障变量。