作为现代工业生产过程中一种重要的生产方式,间歇过程已经在很多领域得到了广泛的应用,可以说间歇过程生产的产品与人类的生活密切相关。同时,间歇生产过程安全可靠的运行也成为了工业界关注的焦点,本文针对间歇过程数据存在的非线性、非高斯性与批次数据不等长给过程监测带来困难的问题,提出了一种基于神经网络与主成分分析法结合的间歇生产过程监测新方法。本文提出的算法的主要思想如下:针对间歇过程存在批次数据不等长的问题,将间歇过程的三维数据按变量展开的方式展开,使间歇过程数据可以像连续过程数据一样处理。针对间歇过程数据非线性的问题,利用神经网络将原始空间的数据映射到高维空间,通过高维空间的映射使非线性数据线性化。针对常规PCA算法要求过程数据符合高斯分布这一基本条件,本文在确定神经网络的权值与阈值时,因为负熵能有效反应正态分布的水平,所以以神经网络输出各个变量的负熵和作为目标函数,利用遗传算法对网络的权值与阈值进行优化,使神经网络输出的数据符合高斯分布。利用神经网络输出的数据建立PCA模型,确定出SPE统计量与HotellingT2统计量的控制限用于在线监测。在故障追溯方面,神经网络为显示映射,本文使用SPE贡献图的方法确定出故障变量并且画出贡献图。多阶段性是间歇过程固有的特性,但是很多间歇过程没有明确的阶段划分标志。针对多阶段如何准确的划分问题,本文首先利用改进的加权模糊C均值聚类算法对一个批次的正常数据进行分类,通过遗传算法的优化得到最优权值与最优初始聚类中心作为批次数据的分类模型。然后利用分类模型对所有批次的多阶段的间歇过程数据进行分类,并建立多阶段的神经网络PCA模型。当进行在线监测时,本文使用欧式距离的距离判别分析作为在线监测模型的选择策略。对于算法有效性的验证,本文建立了电渣重熔过程的Simulink仿真模型,通过建立的仿真平台来产生数据,对神经网络PCA算法进行了仿真验证。并且利用青霉素发酵过程的数据对多阶段神经网络PCA模型进行了仿真验证。