随着科学的发展和技术的进步,针对工业生产的过程监测成为目前相关领域的研究热点。间歇过程是一种比较重要的工业生产方式,其工艺机理复杂,常存在多个操作阶段,而且产品质量易受不确定性因素的影响。为了降低过程故障对工业生产造成的损失,迫切地需要建立有效的间歇生产过程故障监测系统。本课题分析了间歇过程监测方法的研究现状,并结合间歇过程的生产特点和数据特点,进行了间歇过程监测方法的研究与改进。本文的主要研究内容如下:(1)介绍了主元分析(Principal Component Analysis,PCA)应用于多元统计过程监测的原理,分析了适用于间歇过程监测的多向主元分析(Multi-way PCA,MPCA)方法。结合间歇过程的特点,讨论了MPCA方法的两种不同的展开方式和在线监测的数据填充方法,并且阐述了MPCA方法在间歇过程中监测框架和监测步骤。(2)对于间歇过程的在线故障诊断需要预测过程变量的未知输出问题,研究了一种数据展开和故障分类器数据选择相结合的方法。对间歇过程的三维数据进行数据预处理,建立MPCA模型并进行过程的故障监测;通过选取故障发生时刻之后的部分长度采样时刻的数据进行故障的特征提取,离线建立最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的故障分类器模型;然后故障分类器进行在线故障诊断,实现故障分类并确定发生了某类故障。将其运用到青霉素发酵过程仿真实验中,结果显示该方法提高了间歇过程在线故障诊断的实时性和准确性。(3)针对间歇生产过程数据存在的多阶段和非高斯性等特征,提出一种改进的阶段划分和故障监测方法。首先根据各个时间片的相似度和K均值算法进行阶段划分,然后利用独立成分分析(Independent Component Analysis,ICA)方法分别提取出各阶段的非高斯特征信息。最后,引入支持向量数据描述(Support Vector Data Description,SVDD)算法对独立成分和剩余的高斯残差空间分别建立统计分析模型,实现间歇过程故障的在线监测。通过半导体蚀刻过程故障监测的应用实例,验证了所提方法的可行性和有效性。