对工业生产过程的状态监控是智能信息处理及应用的热门领域。在线或离线监测工业生产运行状态,检测生产干扰和异常工况,并在故障发生时识别故障类别和诊断故障原因,可以确保工业生产过程的安全性和可维护性,进而提升生产质量。随着工业生产领域中各类传感器、智能仪表和过程监控系统的广泛应用,从中得到的海量数据及其导致的“维度灾难”已成为当前工业过程监控技术领域最重要的问题之一。如何充分利用工业过程的海量数据,通过智能信息处理的手段“化繁为简”,自动挖掘数据隐藏的信息,实现过程监控能力的提升,是过程监控领域的终极问题。主元分析（Principal Component Analysis,PCA）是一种基于数据驱动的过程监控方法,它不依赖于准确的数学模型,只需通过对数据的分析处理就可用于过程监控。基于PCA的过程监控方法已被深入研究和广泛应用,该方法对线性过程监控十分有效,但对非线性过程监控的效果却差强人意。核学习方法是一种能够将原始空间中的非线性数据转化为更高维特征空间线性数据,进而实现线性可分的方法。将核学习方法引入非线性过程监控中,从而形成核主元分析（Kernel PCA,KPCA）的非线性过程监控方法,它将非线性过程数据通过核函数映射到高维特征空间,再对特征变量进行主元分析。对比其它非线性监控方法,KPCA能将复杂的非线性优化问题转化为相对简单的求解特征值问题。然而,核参数的选择会严重影响KPCA的监控性,研究利用更高性能的优化方法来实现核参数的最佳选择变得重要且迫切。因此,本文在传统粒子群算法基础上,提出了基于参数优化的粒子群改进算法,利用Fisher判别函数的类间距离最大、类内距离最小的思想构造核参数寻优的适应度函数,用以对KPCA的核参数进行优化选择,进而得到了基于参数优化粒子群算法的KPCA非线性过程监控方法,并以非线性过程Pensim青霉素发酵仿真平台为对象,研究了该过程监控方法的性能。主要研究内容及结论如下:1.本文阐述了粒子群算法（Particle Swarm Optimization,PSO）的基本原理,并提出一种把粒子群算法中加速常数设置为随进化代数变化的函数的改进粒子群算法（Particle Swarm Optimization with dynamic accelerating Constants,CPSO）,用以加快传统粒子群算法的收敛速度,提升寻优性能。在同一驼峰函数寻优问题上分别用传统粒子群算法、标准粒子群算法和CPSO进行对比实验,结果表明CPSO能够加快粒子群算法的收敛速度,同时进一步避免后期陷入局部搜索,具有优势。2.传统的KPCA核参数设定方法计算量大、效率低,为此,本文提出并实现了利用参数优化改进粒子群算法来优化核参数的KPCA的非线性过程监控方法,即利用Fisher判别分析法构造核函数参数优化的目标函数,再利用改进的粒子群算法完成对核函数参数的优化,从而提高KPCA的性能。利用IRIS数据集分别用PCA、PSO-KPCA及本文所提出的CPSO-KPCA进行对比仿真测试,证明了该方法的有效性。3.将CPSO-KPCA方法应用于Pensim青霉素发酵仿真过程监控,结果表明:该方法能有效降低Pensim青霉素发酵仿真过程特征向量的维数,减少运算量,同时对故障的聚类效果良好,增强了故障监控的有效性,提高了数据处理和故障识别的效率。最后,通过总结全文,提出了基于参数优化粒子群算法的核主元分析方法在过程监控中有待深入研究及探讨的问题。