间歇过程在现代生产中所占的比重越来越大。切实保障间歇过程生产的安全可靠运行对保证工作人员的生命与健康、环境的可持续发展,提高产品质量和经济效益都有很重要的意义。因此,间歇过程故障诊断技术正日益受到工业界和学术界的关注和重视。本文针对间歇过程的非线性等特点,对多向主元分析方法进行改进,以提高间歇过程故障检测的性能。论文的主要研究内容如下:　　 首先针对间歇过程数据中存在的强非线性以及测量数据含噪问题,给出了一种基于小波变换多向核主元分析(WT-MKPCA)的间歇过程故障检测方法。该方法首先利用非线性小波变换阈值法去除测量数据噪声,提取有效信息:然后利用核函数将数据从低维非线性空间映射到高维线性空间,进行线性主元分析,并建立监控模型。在盘尼西林发酵过程上进行故障检测仿真,结果表明:该方法能够有效抑制测量噪声,并能提取过程的非线性特征。相比MKPCA算法,能够提前检测到故障的发生,并减少误报和漏报。　　 为了进一步考虑间歇过程的动态特性,在非线性主元分析方法的基础上,给出了一种批动态核主元分析(BDKPCA)算法。该算法利用核函数的方法提取过程的非线性特征,并通过构造ARMAX时间序列模型的方法提取过程的动态特性;然后对提取的特征进行分析,得到主成分,并利用T2和SPE统计量监控过程是否有故障发生。同时,间歇过程的样本数量多且含有批次信息,导致核矩阵的计算量大、求解困难。为了解决这一问题,首先利用特征样本选择(FVS)的方法从原始输入样本集中提取特征样本,大大压缩样本数目,然后仅基于提取的特征样本进行批动态核主元分析。对盘尼西林发酵过程的监控结果显示:与MKPCA方法比较,BDKPCA算法的故障检测时间明显提前,并且检测故障时更灵敏,该算法对非线性动态过程表现出优越的检测能力。　　 传统的基于单类支持向量机(OCSVM)的故障检测方法,利用PCA算法提取过程的线性静态特征,然后进行分类。对于非线性动态间歇过程,上述方法并不适用。本文利用批动态核主元分析方法提取过程特征,给出一种BDKPCA-OCSVM算法。检测出过程发生故障后,利用SVM多类分类算法识别故障源。将其应用到盘尼西林发酵过程进行故障检测,仿真结果表明,与PCA-OCSVM故障检测方法比较,该方法误报明显减少,并能更早检测到故障的发生。利用SVM多类分类算法能够准确辨识出故障类型。