间歇过程是现代流程工业中常见的一种生产方式,由于其本身具有的灵活性,被广泛应用于医药、食品、染料、生化制品等小批量、高附加值产品的生产和制备中。不同于一般的工业过程,间歇过程机理十分复杂,而且其操作复杂度远远大于连续过程,产品质量更易受到如原材料、设备状况、环境条件等不确定性因素的影响。为了确保间歇生产过程的安全可靠运行,同时提高产品质量和生产效率,迫切需要建立过程监测系统对生产过程进行故障监控。　　 基于数据驱动的统计过程监控从历史生产数据出发,通过对过程测量数据的统计建模和分析,判断过程所处的运行状态,在线检测和识别过程中出现的异常工况,实现过程的安全、稳定运行,最终达到提高产品质量一致性和企业经济效益的目的。本文系统地研究了间歇过程统计监控方法实施中存在的若干问题,提出了一些针对间歇过程具体数据特征的监控算法,以此来提高过程监控能力与产品质量,保证生产安全。主要研究内容和贡献如下:　　 (1)对传统多向PCA(MPCA)方法进行分析和改进研究　　 研究了基于不同展开方式的传统MPCA方法,深入分析了在实际应用中这些方法各自存在的优缺点,在此基础上,提出一种改进的MPCA监控算法。主要改进措施包括:采用随时间更新的主元协方差代替固定的主元协方差进行严统计量的计算,充分考虑主元得分向量的动态特性；引入主元显著相关变量残差统计量,避免SPE统计量的保守性,对正常工况改变或过程故障引起的T2监控图变化具有一定的识别能力；提出一种随时间变化的贡献图计算方法用于在线故障诊断。通过将改进前后的MPCA方法应用于一个间歇发酵仿真系统,表明改进方法确实能改善传统MPCA方法的监控性能,且具有一定的故障识别能力。　　 (2)基于步进多向核PCA(MKPCA)的非线性间歇过程故障监控方法　　 针对许多间歇过程具有缓慢时变和强非线性等特性,提出一种基于双滑动窗技术的步进MKPCA监控算法。该方法结合了KPCA和滑动窗技术的优点,其中KPCA解决过程数据的非线性问题,保证信息抽取的完整性,时间方向滑动窗避免MKPCA在线应用时预报未来测量值所引入的误差,提高监控性能。对于已判断正常的新批次数据,将其加入模型参考数据库,设定模型更新机制,实现批次方向滑动窗数据的自动更新,提高监控系统的可靠性。通过对数值非线性过程和工业间歇过程的监控应用表明,该方法能较好的提取过程的非线性信息,降低运行过程的误警率,对缓慢时变的间歇过程具有较好的检测能力。　　 (3)基于KPCA-PCA的多阶段间歇过程监控策略　　 针对多阶段间歇过程硬划分和误分类导致漏报率和误报率过高,以及由于阶段不同步使得阶段间的过渡过程具有较强的非线性等问题,在前两章对PCA和KPCA方法研究的基础上,提出一套完整的基于KPCA-PCA多阶段间歇过程故障监控与诊断策略。该策略以每个时刻的数据矩阵相似度作为聚类输入,采用模糊聚类算法实现阶段初步划分,根据模糊隶属度辨识相邻阶段间的过渡过程,最后对稳定阶段和过渡过程分别建立改进的MPCA和KPCA监控模型。该方法能比较客观地揭示出多阶段过程的特征多样性,较好的解决存在过渡过程的多阶段监控问题。通过对数值实例、青霉素发酵过程的仿真平台及工业应用研究表明,该方法具有比较可靠的监控性能,能及时、准确的检测出过程中存在的异常情况。　　 (4)基于GMM-DPCA的非高斯过程故障监控　　 针对传统PCA方法不能有效处理过程数据非高斯分布及时序相关性等问题,提出一种结合多元高斯混合模型(GMM)和动态PCA的监控策略。该方法的主要思想是多操作阶段(或多工况)过程数据通常不满足高斯分布,但在某一稳定操作阶段下,测量数据子集却仍能近似服从正态分布。因此,多操作阶段过程数据可通过GMM来描述。据此,该策略采用GMM对过程数据进行聚类,获取工况和阶段分布特性；之后针对各批次阶段划分后存在的不同步问题,采用动态时间错位(DTW)方法对各阶段进行轨迹同步,对同步后的子阶段建立动态PCA模型,克服数据动态性对监控性能的影响。通过将该方法应用于重组大肠杆菌制各自介素.2发酵过程监控,验证了算法的可行性和有效性。