随着现代过程工业不断向扩展化、集中化方向发展,工业过程越来越复杂,过程变量也随之增多,同时对工业过程的安全可靠性提出了更高的要求。因此工业过程中的故障检测与诊断技术已成为国内外过程控制领域研究的热点。本文旨在研究间歇过程中的故障检测与诊断方法。基于多元统计分析的故障检测与诊断方法不仅不需要依赖系统的数学模型,而且对高维、高强度耦合数据的处理具有一定的优势,所以已经成为解决故障检测与诊断问题的重要方法之一。因此,本文采用多元统计分析方法中的Fishe判别分析方法对间歇过程中的故障进行检测与诊断。本文以Fisher判别式分析(Fisher Discriminant Analysis,FDA)为基础,针对流程工业中的间歇生产过程,提出了一类基于FDA的故障诊断方法:主要研究内容如下:(1)提出了多模型FDA故障诊断方法。多向FDA方法在进行在线故障诊断时需要估计当前生产批次的未测量值,造成了较高的误诊断率。而本文提出的多模型FDA故障诊断方法是对每一个时刻建立一个模型,解决了对一个批次中未知数据估计的问题。通过青霉素发酵过程的仿真分析,多模型FDA方法在误诊断率上要低于多向FDA法。(2)提出了递推多模型FDA故障诊断方法。多模型FDA故障诊断方法在建立模型时如果遇到故障数据不足的问题,就会降低诊断性能。递推多模型FDA方法凭借递推的优势将有用的故障信息充分利用起来同时没有影响生产过程的动态特性。通过在青霉素发酵过程中三种方法的对比,证明了该方法在故障识别方面要优于多模型FDA和多向FDA方法。(3)提出了窗口化多FDA模型故障诊断方法。多模型FDA方法在建立模型时,如果有一段样本数据缺失,则无法建立模型,从而不能进行故障诊断。窗口化多FDA模型故障诊断方法利用窗口化这一特点将现有样本数据和缺失样本数据集中成一个模型,避免了缺失样本数据无法建模的问题。在样本数据缺失的情况下进行青霉素发酵过程的仿真,验证了窗口化多FDA模型方法的有效性。通过上述研究表明,在间歇过程的故障检测与诊断中递推多模型FDA与窗口化多FDA模型方法都要优于多模型FDA方法,诊断正确率逐渐提高,可以应用到实际工业中。