由于间歇过程具有高附加值、小批量、多品种、系列化等特点,所以间歇过程被广泛应用于与人们息息相关的生物制药、食品加工、染料和香料制造等领域。为了保证产品的质量和减少生产过程中的损失,对于间歇过程而言首当其冲的应是拥有安全稳定的生产过程,因此对间歇过程进行在线故障诊断研究显得尤为重要。但间歇过程具有时段特性、强非线性等特点,使得对其进行故障诊断研究困难重重。本课题针对间歇过程的多时段特点以及间歇过程数据样本内和样本间的可分性信息,研究以支持向量机(Support Vector Machine,SVM)为核心的故障诊断方法,主要做了以下几方面研究:(1)实现一种改进的基于MPCA的间歇过程时段划分方法多时段特性是间歇过程的固有特性,传统的基于MPCA的时段划分方法,只选用了负载矩阵的角度信息作为相似性判据,而忽略了距离信息对负载矩阵相似性的影响,这容易造成时段划分不准确。基于此,本文将负载矩阵的角度信息与距离信息相结合,构造一种改进的负载矩阵相似性判据公式来对间歇过程进行精确的时段划分。最后,将基于该改进的MPCA时段划分方法与SVM故障诊断结合,通过青霉素发酵过程仿真系统进行验证,并与不分时段建立的SVM故障诊断模型的方法相比较,结果指出通过该方法划分的时段能够建立更加精确的故障诊断模型。(2)研究一种改进的二叉树SVM方法传统二叉树SVM多分类器方法没有考虑具体研究对象数据样本可分性的信息,任意地对分类层次进行界定,但是二叉树SVM多分类器分类层次的判定决定着整个分类过程的效果。基于此,本文针对间歇过程样本数据特点,依据同一类样本相对聚集而不同类样本相距较远的原则,构造一种新的样本可分性的测度公式来判定分类的层次,最终研究一种适合间歇过程的改进的二叉树SVM的多分类器构造方法。本文将此方法应用于青霉素发酵过程仿真系统中,结果表明该方法可以明显的改善传统二叉树多分类器的性能。(3)提出基于子时段MPCA-SVM的间歇过程在线故障诊断方法研究内容(1)和(2)对间歇过程的离线故障诊断方法进行了深入研究,然而对间歇过程的故障进行在线诊断更具有实际应用价值。若要实现在线诊断,则必须首先引入一种在线故障监测方法。为此,提出一种基于子时段MPCA-SVM的间歇过程在线故障诊断方法。该方法首先利用改进的MPCA时段划分方法对间歇过程进行时段划分,并在每个时段建立MPCA过程监控模型对当前间歇反应过程进行在线故障监测;再在每个时段内建立改进的二叉树SVM故障诊断模型对当前间歇过程发生的故障进行在线故障诊断。通过青霉素发酵仿真平台对该方法进行实验验证,并与不分时段SVM的在线故障诊断方法进行比较,结果表明本文方法可以明显地提高故障诊断的准确率。(4)大肠杆菌发酵过程故障诊断研究采用北京某生物制药厂提供的重组大肠杆菌制备白介素-2发酵过程数据,对本文所提出的基于子时段MPCA-SVM的间歇过程在线故障诊断方法进行实验验证。实验结果表明,在充分考虑发酵过程多时段特性和发酵过程数据可分性信息下,本文提出的方法可以明显地提高故障诊断的准确率,进而可减少事故的发生,最终为人类带来福利。