间歇过程与现代人们的生活息息相关,被广泛应用于精细化工、生物制药、食品、聚合物反应、金属加工等领域,具有举足轻重的地位和作用。为了保持较高的最终产品质量,确保过程安全稳定地运行,优化生产产量,有效地降低能耗,对间歇过程进行成功的监控,显得十分必要。本课题以间歇过程为对象,针对其数据存在高斯和非高斯混合分布、噪声干扰、动态性、多尺度性的特点,深入研究了基于独立成分分析(Indpendent Component Analysis,ICA)和小波变换的过程监测方法。主要做了以下几方面的研究:(1)在深入研究基于多向独立成分分析(Multi-way Independent Component Analysis,MICA)的间歇过程监测方法的基础上对其进行了一定的改进。MICA可以利用高阶统计信息提取过程数据中的非高斯信号,所以MICA比多向主成分分析(Multi-way Principle Component Analysis,MPCA)具有更好的监测效果。但是,MICA的2I和SPE统计量不能完全获取独立成分的所有特征信息,而且MICA需要假设过程变量服从非高斯分布。针对这两个缺陷,本文提出将单类支持向量机(One-Class Support Vector Machine,OCSVM)与MICA相结合,即:当MICA提取了过程的独立成分以后,利用OCSVM对其进行训练,之后得到一个非线性的D统计量。(2)针对间歇过程数据易受噪声干扰、变量存在较强的自相关性、故障往往发生在多个尺度上等问题,深入研究了多尺度MICA方法,并对其进行了一定的改进。小波变换与MICA相结合的多尺度MICA方法,可以在一定程度上去除建模数据的噪声和自相关性,过程监测效果会优于传统的MICA方法。然而,传统的多尺度MICA方法使用了两次ICA算法提取特征,即:首先在每个尺度上利用ICA提取信息,之后又对全尺度上重构后的数据进行ICA分析。其实第二次使用ICA的统计意义非常弱,甚至可以说是完全没有必要的。因此,本文结合之前的研究工作,提出利用OCSVM对传统多尺度MICA重构后的数据进行建模并构造统计量。(3)为改进的多尺度MICA方法研究一种基于质心向量的故障诊断方法。间歇过程监控一般包括故障监测和诊断两个步骤,在本文之前的工作中研究了改进的多尺度MICA监测方法,得到了较好的监测效果,但常规的故障诊断方法并不能应用到其上。为此,本文借鉴基于贡献图和基于重构的故障诊断方法,研究了一种新的基于质心向量的方法,将该方法应用于改进的多尺度MICA监测方法,可以有效辨识出其监测到的故障变量。值得注意的是,所研究的基于质心向量的故障诊断方法只需稍加变化,便可以应用于所有基于多元统计的过程监测方法中,具有普遍应用的价值。(4)将以上研究的间歇过程故障监测与诊断策略编制成软件,并在工业现场进行验证。研究的最终目的便是指导实践,因此,本文最后将所研究的故障监测和诊断策略利用Matlab平台编制了一套监控软件,并在北京亦庄某生物制药公司的大肠杆菌发酵现场进行了验证。结果证明:所提出的监控策略可以很好地指导实践,能够及时监测到故障的发生并给出故障原因,可以给操作人员提供一定的参考,具有实用价值。