现代工业过程为提高生产效率,生产设备的自动化程度不断提高,使得生产过程的复杂性越来越高,对生产过程的安全、可靠运行提出了更高的要求。间歇生产过程由于其灵活的生产方式,能够满足现代社会迅速变化的市场需求,已受到越来越多的关注和重视,因此,如何对间歇过程建立监控模型进行及时、准确的故障检测和诊断以保障其生产安全及产品质量成为工业界和学术界亟待解决的问题。间歇过程具有的复杂特性,使得很难对其建立精确数学模型。而随着现代工业技术的发展,大量的过程数据被存储下来,对这些过程数据进行处理与分析,可以反映过程运行的状态,因此基于数据的多元统计方法成为一类重要的过程监控方法,而如何在海量的过程数据中准确、充分地提取反映过程运行状态的特征信息是过程监控的关键。相比于关注全局信息的主元分析(PCA)算法,邻域保持嵌入(neighborhood preserving embedding,NPE)算法由于挖掘的是数据的局部结构特征而能够获取间歇过程更多的特征信息,因此本文针对间歇过程故障检测与诊断存在的不足和缺陷,基于NPE算法研究了适应于间歇过程的改进方法:(1)针对邻域保持嵌入算法只通过欧氏距离选择近邻带来的特征提取不充分导致故障诊断效果不佳的问题,将扩散距离(diffusion distance,DD)与NPE算法相结合,提出了一种基于扩散距离的邻域保持嵌入(DDNPE)算法的故障诊断新方法。该方法首先发掘嵌入在原始高维数据的内在流形结构,进行数据降维,然后通过学习原始数据的潜在几何结构提取本征信息,并保持数据流形上的局部结构不变,避免了NPE算法特征提取不充分的问题,最后利用T~2和SPE统计量检测故障,并用变量贡献图法诊断出故障变量。通过青霉素发酵过程仿真结果验证了DDNPE算法的有效性。(2)针对间歇过程数据的动态特性带来的故障检测问题,提出了一种双权重多邻域保持嵌入(Double Weight Multiple Neighborhood Preserving Embedding,DWMNPE)算法。首先,通过为每个样本点寻找时间近邻,来体现样本点之间的时序相关关系,并定义角度近邻,为样本点寻找时间近邻、角度近邻、距离近邻来重构样本点,通过提取三种不同的流形特征,在解决数据动态性的同时充分提取原始数据的本质结构。为进一步防止NPE算法对近邻顺序信息的丢失,构造新的目标函数,在考虑误差最小的同时考虑三种近邻的顺序信息对重构误差的影响,最后对降维数据构造LOF统计量进行监控。通过数值例子和青霉素发酵过程仿真结果验证了DWMNPE方法对动态性间歇过程故障检测的有效性。(3)针对间歇过程数据的非线性和高斯与非高斯混合分布特性导致故障检测效果不佳的问题,提出了基于多向差分邻域保持嵌入-加权差分独立元分析(multiway differencial neighborhood preserving embedding-weighted and differencial independent component analysis,MDNPE-WDICA)的间歇过程故障检测算法。首先采用Jarque-Bera检验(J-B test)方法将原始数据空间划分为高斯和非高斯子空间;然后在高斯子空间,将差分策略与NPE算法结合提出MDNPE算法,对高斯空间数据进行维数约简,在保持其局部结构不变的同时处理非线性,并克服传统非线性处理方法由于引入核函数带来的计算复杂的问题;在非高斯子空间,将加权差分策略与ICA算法结合提出WDICA算法,在充分提取数据非高斯信息的同时解决其非线性,并有效利用数据的局部信息;最后通过贝叶斯推断构建新的监测统计量,实现整个间歇过程数据的故障检测。青霉素生产过程仿真结果验证了MDNPE-WDICA算法的可行性和有效性。