传统的统计过程监控是基于单变量统计控制方法。单变量统计控制只能检测单一测量变量的变化,而不能有效地提供关于多个变量相互作用的信息。另外,单变量统计过程控制也不适用于间歇过程。多变量统计过程监控通过对过程进行有效地监控,能及早发现过程中的故障隐患,从而提高过程运行的安全性。本文对多尺度主元分析进行了一种改进,并将其分别应用于连续生产过程和间歇生产过程之中。完成的具体工作如下:1过程数据的预处理(滤波)部分在小波分析的基础上,借助Matlab语言中小波工具箱的基本算法,详细讨论了基于阈值决策的小波消噪方法及其应用。在此基础上,实现小波滤波在线化,并应用于仿真信号之中。2 MSPCA及MSPCA改进算法在连续生产过程之中的应用和比较MSPCA方法在生产过程监控方面有着广泛地应用。本文在研究该方法的基础之上,提出了一些改进,在其进行小波分解后即对其小波系数进行阈值处理,使小波消噪与MSPCA方法合为一体,并运用统计控制图中的平方预测误差(SPE)图方法检测引起过程变化或故障的过程变量。在保证其MSPCA算法复杂度不变的前提下,能够消除数据的噪声污染,使故障诊断的误报大为减少。3 MPCA方法在间歇生产过程中的应用多向主元分析方法在间歇过程中应用广泛,既简化了多维数据结构的分析,同时又解决了间歇过程统计控制的特殊性问题。本文将多尺度主元分析方法与多向主元分析方法相结合,并应用于间歇生产过程之中。4多模型PCA方法在间歇生产过程中的应用当生产过程历经几个不同的阶段时,并且每个阶段变量之间的关系不同时,多变量统计置信界限将不再适合所有的阶段。这样会导致故障数据被误认为正常,使监测系统的漏报率提高。此时,就要针对每一个不同的阶段建立模型。本文中首先利用聚类方法中的K均值方法对样本按照不同阶段进行聚类分析,然后对分类后的样本进行主元分析,并和单一主元分析进行了比较。