发酵过程因其具有生产灵活、产品附加值高的特点已经成为医药、食品、染料、香料及生化制品等领域的主要生产方式。为了保证发酵过程的安全生产,急需一种能够对生产过程进行有效监测的系统,用以防患于未然,发现早期故障,为故障处理争取时间。现今,发酵过程的监测模型主要采用基于数据驱动的建模方法,通过分析发酵过程的数据特点,对算法改进以达到建立准确监测模型的目的。本文主要研究内容和贡献如下:(1)提出一种二维搜索相似样本的JITL-MPLS在线局部建模监测方法分析了即时学习(Just-in-Time Learning,JITL)策略对发酵过程实行监测过程中存在的优缺点,在此基础上,提出一种兼顾采样时刻与相似度的即时学习策略。针对发酵过程批次内和批次间的动态性问题,将采样时刻引入到相似样本搜索过程当中。利用过程的相似样本占比识别过程的动态性,自适应地调整时间窗的窗长,再结合累计相似贡献率进行建模样本选取,构建JITL-MPLS模型。通过Pensim仿真平台产生的正常和故障数据验证了此方法的可行性与优越性。(2)将核方法引入到即时学习策略中扩展核参数的取值范围JITL策略属于局部建模策略,能够在一定程度上减弱数据的非线性,但是在某些阶段非线性特征依然明显,对JITL-MPLS模型影响较大。本文将核方法(Kernel Methods,KM)引入到即时学习策略中,将非线性数据映射为线性数据,使得核空间中所建立的线性监测模型也能够有较高的精度。由于即时学习策略的相似样本以当前采样点为欧式空间的中心,而非离线建模的聚类中心,所以能够进行较好地局部线性化,从而扩展核参数的取值范围,降低了核参数的设置难度,最终取得了较好的故障监测效果。(3)提出一种基于残差更新判断的JITL-MKPLS监测方法传统的即时学习策略属于“懒惰学习”,即每采集到一个数据将进行一次完整建模步骤,这样在监测比较稳定的阶段时会造成大量的计算浪费,影响系统响应其他操作。本文利用了多向核偏最小二乘(Multi-way Kernel Partial Least Squares,MKPLS)的回归特性,通过对比回归残差判断模型是否需要更新,从而减少了模型更新次数。模型更新判断机制在保证了与传统JITL建模精度相类似的前提下,大幅减少了计算量,扩展了本方法的应用范围。(4)大肠杆菌制备白介素-2发酵过程实验验证利用北京某生化制药厂实际生产的数据对本文提出的方法进行验证。本实验不但监测了正常批次和较大故障,而且对微小故障进行了针对性实验。监测结果表明,本文所提的方法监测发酵生产过程时,相较于传统离线阶段划分方法能够明显降低漏报率和误报率,对微小故障较敏感,能够较早发生报警。并且通过引入模型更新判断机制,大量减少了计算量。