现代工业过程往往具有大型化、复杂化和高度自动化的特点,其一旦发生故障,可能导致停机停产,甚至危及人身安全,造成灾难性事件。因此,为保证生产过程安全可靠运行以及提高产品质量,故障诊断与故障监测技术吸引了越来越多研究者的高度重视。在现代过程工业中,生产小批量、多品种、高附加值产品的间歇工业过程由于能够适应多变的市场需求,因而在现代过程工业生产中占据了越来越突出的地位。如何保障间歇生产过程的安全可靠运行和连续稳定的产品质量,提高企业的市场竞争力,正成为过程控制领域的研究焦点。间歇工业过程的特性非常复杂,并且过程中的数据亦具有更丰富的统计特性。由于过程中存在着多操作、数据不等长和非高斯等复杂特性,这使得面向间歇工业过程的统计分析及在线监控更具挑战性。本文基于单批次建模思想,充分考虑批次间数据的差异性,同时又兼顾过程本身特点,提出一套系统解决间歇工业生产过程监测的方案,用以解决间歇工业过程中存在的弱故障监测问题、数据不等长问题、多操作下的数据非高斯分布问题和建模数据不全问题。针对间歇工业过程中初始条件波动较大(往往不确定)下的弱故障监测问题,提出了基于单批次动态核主成分分析(SDKPCA)的多模型弱故障监测方法。提出单批次建模思想,将核PCA与自回归移动平均(ARMAX)时间序列模型相结合,在每一段内将每一批次数据分别建立SDKPCA模型,然后根据模型间载荷矩阵的相似性聚类,建立随聚类数量变化的监测多模型。该方法通过模型细化,能同时捕捉过程中的动态性、非线性及批次间数据的差异性,进而能有效监测过程中出现的弱故障。针对间歇工业过程中数据严重不等长问题以及在大样本情况下KPCA方法计算复杂度大问题,提出了基于特征点的单批次动态核主成分分析(FP-based SDKPCA)的间歇过程建模与监测方法。首先将过程中每一批次数据采用三步特征点提取方法提取相同数量的特征点,实现批次数据的等长化处理。然后针对抽取的特征点采用SDKPCA方法进行建模。由于特征点的数量远少于整个批次样本点的数量,这大大减少了KPCA的计算复杂度。针对多操作过程中由操作的随机性或频繁性带来的过程相关性改变以及数据呈严重非高斯分布问题,提出了基于局部集标准化的单批次动态核主成分分析(LCS-SDKPCA)的在线统计监测方法。过程中的频繁操作以及操作的随机性使得过程相关性发生改变,因此模型也应发生改变。为此,可以将过程中相似的操作数据融合在一起进行建模。然而,操作的随机性又使得融合在一起的数据并不服从高斯分布。为使其符合高斯分布,提出了局部集标准化(LCS)方法,从而利用这些数据建立多元统计模型。接着,再采用SDKPCA方法实现多操作过程的故障监测。在多操作过程中由于操作的随机性容易产生无尽种类的数据,从而导致无法收集全部种类的数据,即建模数据不全。这样某一操作下的数据缺失,历史建模数据中没有这一类型数据,无法建立相应的模型。因此,当新操作数据到来时,没有对应模型与之相对应,这样无法确定其监测模型。针对此,提出了一种上下(Up-Down)模型快速监测方法实现对新类型数据的有效监测。针对青霉素发酵过程以及精炼炉炼钢过程,采用上述监测方法进行了仿真实验。实验结果表明提出的方法是有效的。为具有频繁操作和数据严重不等长的间歇过程进行统计建模与监测提供了新思路和方法,具有较为重要的理论意义和应用价值。