随着现代技术和自动化设备的迅猛发展,新兴的技术和设备被广泛应用于当今的各种工业生产过程。近年来,由于生产需求品种和要求越来越多样化,使得工业生产不得不迎合这种需求,而间歇生产过程正好符合生产高附加值、小批量、多品种的生产要求,如今已被广泛应用于药品、化妆品、生物制品的生产过程。然而,随着间歇生产过程的规模扩大以及复杂性增加,保证生产过程的安全性和可靠性也显得尤为重要。因此,如何更好地对间歇生产过程进行故障监测,及时发现并处理故障,显得十分重要。在间歇过程的背景下,针对传统多元统计算法要求监测变量服从高斯分布的前提条件,以及利用传统统计方法构造的监控统计量故障检测率较低的问题,研究了一种基于多向局部线性嵌入方法(Multi-way Locally Linear Embedding,MLLE)和单类支持向量机(One-Class Support Vector Machines,OCSVM)相融合的间歇过程故障监测方法,主要做了以下几个方面的研究:(1)研究一种基于多向局部线性嵌入的MLLE方法,并将其应用于间歇过程的特征提取。在间歇过程中,传统的多元统计方法存在前提条件,如假设监测变量呈线性、过程参数不随时间变化等。然而,在实际的间歇过程中,工业对象很难满足上述假设,而且,目前应用于间歇过程的改进算法,大多方法未充分考虑复杂工业过程的综合特征,只是在传统多元统计方法的基础上针对某一特性进行改进,并不能得到很好的特征提取效果。鉴于此,本文将流形学习算法中的局部线性嵌入方法应用于间歇过程的特征提取过程,再利用传统统计量确定控制限。最后,在青霉素发酵仿真平台上运用该方法,进行实验仿真验证,通过实验结果表明,该方法能够较好地对间歇生产过程进行监控。(2)深入研究基于多向局部线性嵌入方法,并对其在间歇过程的故障监测方法进行改进。针对间歇过程独有特性,对该方法的两个核心参数(邻域参数k和降维维数d)进行优化,提升监控系统的自适应能力和监控性能。由于MLLE方法在进行特征提取前,需要对邻域参数k和降维维数d进行设定,而在该方法的运用过程中,大多只是凭借经验来设定参数值,给系统带来了不稳定因素;并且,每次间歇过程中采集的数据都不一样,是随机波动的,单纯靠靠经验设定参数可靠性差。针对该问题,对邻域参数和维数参数分别采用采用自适应邻域选择方法和最大似然估计方法。参数优化得到最优值之后,运用MLLE方法在青霉素发酵仿真系统中进行实验验证,结果表明该参数优化方法可以提高特征提取和间歇过程的性能。(3)为改进监控统计量研究一种基于多向局部线性嵌入方法与单类支持向量机相融合的MLLE-OCSVM的间歇过程故障监测方法。传统的多元统计监控方法本身存在一些假设,如监控变量必须服从独立同分布等条件,而且在将其应用到故障监测中时,又进行了附加的其它假设,如系统输入和输出呈线性相关特性,过程变量服从高斯分布等。但在实际工业生产过程中,这些理想的条件往往难以满足,并且基于马氏距离构造的监控统计量会导致故障检测率降低。针对两个问题,本文将单类支持向量机与MLLE相结合,利用MLLE对过程数据进行特征提取后,随后采用OCSVM对其数据样本进行训练,之后构造非线性统计量,进而进行故障监测。(4)将本文研究的间歇过程故障监测方法利用工业现场采集的数据进行实验验证。利用北京亦庄某生物制药厂提供的大肠杆菌发酵的实际实验数据,利用本文所研究的故障监测方法,进行实验验证。结果表明,所提出的监控方法能够很好地指导实际生产过程,并能及时监测到故障,对实际生产有应用价值。