间歇生产过程是现代工业生产中一种重要的生产方式,其产品与人们的生活息息相关。为了能够及时处理异常工况、保证间歇过程安全稳定运行,有必要对间歇过程进行监测。在诸如催化剂钝化、设备磨损、传感器漂移等因素影响下,实际的间歇工业过程中普遍存在着慢时变行为,这种行为属于正常过程运行状况,不会影响过程安全或是产品质量,所以需要监测系统能够区分慢时变行为与过程故障。此外,这种批次间的慢时变行为会导致模型失配问题,引起故障的误报和漏报。因此,慢时变行为给间歇过程建模和在线监测带来了很大的挑战。本文在深入分析间歇过程的慢时变行为特性的基础上,结合多元统计分析方法,对慢时变间歇过程监测进行了相关研究:本文采用多向偏最小二乘算法(MPLS)建立慢时变特性预估模型。通过间隔一定批次的两个不同间歇过程数据做差分获得批次间的差分矩阵,提取了由慢时变行为导致的批次间的差异。通过该差分矩阵的数据信息服从的统计规律,建立了基于MPLS的预估模型,实现了慢时变行为的在线预估。同时,利用预估结果,对在线监测数据进行数据补偿,去除慢时变行为对过程监测数据的影响。为了避免慢时变行为对过程监测的不良影响,本文提出一种基于数据补偿的间歇过程监测方法。结合多向主元分析(MPCA)处理高维、高度耦合数据的优势,建立了基于MPCA的监测模型,通过该模型提取过程的统计规律、获得统计变量的控制限。在进行在线监测时,首先利用由慢时变特性模型获得的慢时变信息补偿待监测数据。该监测方法提高了慢时变过程的过程监测能力,保证了过程监测模型的准确性和鲁棒性。为了验证监测方法的有效性,将该方法应用于青霉素发酵过程。仿真结果表明,本文提出的监测方法可有效地区分慢时变行为与过程故障,能够实现慢时变间歇过程的准确监测。