间歇过程是现代工业生产的一种重要生产方式,随着现代社会对高质量产品需求的提高,极大地促进了间歇生产的发展,使得其生产过程从简单到复杂的转变。在间歇过程生产中,现场检测仪表或变送器提供了丰富的过程测量数据,为基于数据驱动的过程在线监测和优化控制提供了基础。然而,由于受到现场检测仪表或变送器性能下降和电磁干扰等因素的影响,导致间歇过程测量数据出现异常,降低了过程测量数据的质量,制约了数据驱动过程建模准确性的提高,因此,研究间歇过程测量数据智能异常检测方法,为数据驱动的过程建模、在线监测及优化控制提供可靠的过程测量数据,具有重要的理论意义和应用价值。本文在详细分析间歇过程特性和过程测量数据特征的基础上,研究间歇过程测量数据异常智能检测方法,主要完成以下研究工作:1、提出了一种基于无监督多尺度时序划分的间歇过程时段划分方法。首先,给出了一种无监督多尺度模糊聚类分析方法,通过求解在模糊类间距离约束和时序约束下的聚类目标函数,获得数据的隶属度;然后,给出一种时序时段划分方法,根据时变数据集的数据隶属度变化捕捉主时段和过渡时段的划分点;进而,设定全局时段和局部时段协同划分规则,根据二次误差之和指标和混合划分性能指标,自适应判断间歇过程时段划分的最优个数及划分结果,给出基于支持向量数据描述方法在线时段划分模型,实现间歇过程测量数据在线时段划分;最后,利用时序电子手写图形和青霉素发酵过程,对提出的时段划分方法进行实验研究。实验结果表明,本文所提的时段划分方法解决了间歇过程时段划分过度依赖于先验知识的问题,在准确捕捉数据时变性的同时实现可靠、准确的在线时段划分。2、提出一种基于提升小波包变换动态时间规整的轨迹同步化方法。首先,给出一种基于提升小波包变化的多层高低频数据轨迹分解方法,实现在不同频段上的间歇过程测量数据轨迹信息提取;然后,引入动态时间规整策略,沿着相似特征的方向同步化各个频段的数据轨迹;进而,给出一种基于提升小波包变换的多层高低频数据轨迹合成方法,合成不同频段上的间歇过程测量数据轨迹信息,实现间歇过程测量数据轨迹同步化;最后,利用青霉素发酵过程,对提出的轨迹同步化方法进行实验研究。实验结果表明,本文所提的轨迹同步化方法降低了吉布斯现象对数据轨迹合成的影响,避免复杂的傅里叶变换卷积运算,提高了轨迹同步化速度,能够实现准确的测量数据轨迹同步化。3、提出一种基于动态超球结构变化支持向量数据描述的间歇过程测量数据异常检测方法。首先,给出一种基于动态超球结构变化的支持向量数据描述方法,构建基于测量数据的高维超球体模型,设定超球体结构变化的量化规则,获得超球体的重要结构;然后,构建基于静态数据集和基于动态数据集的超球体模型,并捕捉超球模型间的重要结构变化;最后,建立动态超球结构变化与异常检测的映射规则,根据在线测量数据与历史数据之间的关系,构建异常判别阈值,实现间歇过程测量数据在线异常检测。4、结合UCI机器学习数据集、半导体蚀刻过程和青霉素发酵过程,对所提出的间歇过程测量数据异常检测方法进行了实验研究。实验结果表明,该方法制定的动态异常判别依据准确有效地提高了间歇过程测量数据异常的检测率,降低了误检率。本文在间歇过程测量数据异常智能检测所做的研究,在方法、算法等方面都获得了有价值的研究成果,所提的方法正确、有效,在生物制药、精细化工、轻工、食品、农业等领域有广泛的应用前景,能够高效稳定地提高产品质量和促进生产安全。通过进一步完善和推广该研究成果,能够促进在线监测、优化控制等方法和技术的实际工业应用,提高产品质量和生产过程安全运行。