间歇过程在现代工业生产中所占地位越来越重。为保证间歇过程安全稳定运行和产品质量的达标,对间歇过程进行实时的在线监控具有重要意义。随着在线测量仪器和计算机技术的发展,越来越多的间歇生产过程数据和产品质量数据被存储到计算机中,这些数据隐含着大量信息,通过对数据分析,剔除冗余信息,挖掘有用资源可诊断过程运行状况,并指导生产实践。对间歇过程的在线监控,多采用多向主成分分析(MPCA)和多向偏最小二乘(MPLS)等传统的多元统计方法,这些方法要求变量服从正态分布,利用的仅是二阶统计量信息。多向独立成分分析(MICA)是一种基于ICA技术、处理间歇过程三维数据的多元统计方法,不需假设变量满足正态分布,并且利用了信号的高阶统计信息,能更有效地分析处理过程数据,分解得到的内在潜隐变量是统计独立的,从而能更本质地描述过程特性。本文以多向独立成分分析(MICA)方法为研究基础,针对间歇过程的特点,对MICA方法进行了改进,提出了两种新的间歇过程监控算法。针对间歇过程中操作批次之间存在的时变特性,提出一种随批次变化的动态算法—带遗忘因子的自适应多向独立成分分析(Adaptive MICA)方法。该方法利用正常数据集先建立初始MICA模型,并检测新批次数据,如果新批次数据从始至终没有异常行为,则在原始数据集中加入新的正常批次并剔除最早批次,建立新的MICA模型时引入遗忘因子逐渐遗忘历史信息,以提高模型对新过程特性的适应能力;若检测到新的批次有故障发生则模型不变,继续监测下一批次的运行状况。在半导体蚀刻过程上的仿真结果表明,自适应MICA方法能逐步加入新的正常批次数据的变化信息,建立更准确的统计模型,相比固定模型的MICA方法,能有效降低检测故障时的误报率。考虑到间歇过程数据中存在显著的非线性变化特性,提出一种非线性监控算法—基于特征样本的多向核独立成分分析(FS-MKICA)。间歇过程正常工况下的三维数据矩阵展开成二维后,样本数较大,直接进行非线性的核变换时,对核函数矩阵的求解困难。为降低核矩阵的计算复杂度,本文先从原始输入样本集中提取特征样本,大大压缩样本数目,然后仅基于维数较小的特征样本进行核独立成分分析(KICA),得到非线性的独立成分,并利用I 2和SPE统计图监测过程中是否有故障发生。FS-MKICA方法不仅能提取间歇过程中的非线性特性,而且减少了基于全部样本建模的计算代价,对青霉素发酵过程的监控结果显示,该非线性算法比线性MICA方法检测故障时更灵敏。