现代工业生产中,间歇过程作为一种重要的制造业生产方式,已在生物制药、精细化工、食品、聚合物反应等领域得到了广泛应用。因此,研究间歇过程故障检测方法,确保生产过程的可靠运行,从而最大限度保障操作人员的生命和财产安全,具有重要的实际意义。针对间歇过程存在的测量数据易受较强噪声影响、多阶段、过程时变等特点,本文开展基于多向核熵成分分析(Multiway Kernel Entropy Analysis,MKECA)的故障检测方法研究,主要研究内容如下:首先,针对间歇过程的测量数据易受较强噪声影响以及批次间工况变化特性,给出一种基于改进多向核熵成分分析(IMKECA)的间歇过程故障检测方法。该方法使用小波变换技术对受强噪声影响的过程数据进行去噪,同时为适应间歇过程批次间的工况变化,构建基于k近邻马氏距离的M统计量代替传统T~2统计量,对生产过程进行故障检测。盘尼西林发酵过程的仿真实验结果表明,IMKECA方法能够比MKECA方法更为快速地发现过程故障。然后,针对间歇过程存在的多阶段特性,在MKECA方法的基础上,提出一种基于多阶段多向核熵成分分析(MsMKECA)的间歇过程故障检测方法。该方法首先建立一种时序核熵主元关联度的阶段划分方法,对间歇过程进行多阶段划分,进一步在划分的各个阶段引入一种批次--变量三维数据展开方式,建立MKECA过程监控模型,实现对间歇过程的故障检测。盘尼西林发酵平台上的仿真实验研究表明,MsMKECA方法能够挖掘多阶段信息,有效的监控过程故障。最后,针对间歇过程存在的过程时变特性,将即时学习(JITL)策略与KECA方法相结合,建立一种基于即时学习核熵成分分析(JITL-KECA)的间歇过程故障检测方法。该方法首先通过滑动窗技术对JITL方法进行改进,从历史数据中提取当前监测样本的局部相似数据集,然后结合KECA方法对该数据集建立统计模型进行过程监控。将所研究的方法应用于盘尼西林发酵过程进行仿真,结果证明了方法的有效性。