间歇过程普遍存在于现代工业生产当中,由于其具有高附加值、小批量、多品种、系列化等特点,在与人类息息相关的生物制药、食品加工、燃料和香料制造等领域中得到广泛应用,因此实现间歇过程高效故障监测与故障诊断对于确保生产安全、提高产品质量是至关重要。针对间歇过程普遍具有非线性、非高斯性、高度复杂性和多阶段等特性,本文提出基于MKECA间歇过程多阶段在线故障监测与基于FWA-GRNN间歇过程多阶段在线故障诊断方法,本论文主要内容如下:(1)基于KECA间歇过程多阶段划分针对间歇过程具有多阶段特性,提出基于核熵成分分析(KECA)聚类算法自适应阶段划分方法。将原始正常批次三维数据集沿时间片展开得到二维数据集,再通过KECA聚类算法将各个时刻采样点进行聚类划分,本文利用准则函数值确定最终聚类组数,实现间歇过程自适应阶段划分。(2)基于MKECA间歇过程多阶段在线故障监测将间歇过程划分成若干个阶段后,在各子阶段内构建MKECA故障监测模型实现故障监测。在各子阶段内,利用KECA算法处理后的数据具有良好的角结构性质,构建新的角结构相似度统计量,通过核密度估计算法计算新统计量的控制限,从而实现间歇过程在线故障监测。(3)基于FWA-SVM间歇过程多阶段在线故障诊断在间歇过程阶段划分和在线故障监测后,提出利用烟花算法(FWA)优化支持向量机(SVM)参数构造间歇过程故障诊断模型实现在线故障诊断方法。首先在各子阶段内构造FWA-SVM诊断模型,将原始故障数据进行数据预处理后代入各自诊断模型内进行训练优化从而构建最优诊断模型,再利用MKECA间歇过程在线故障监测模型监测故障并输出故障数据,通过数据预处理后代入各自所属的子阶段故障诊断模型内进行在线故障诊断。该方法结合了智能算法FWA与机器学习SVM两者的优势,可以实现间歇过程高效故障诊断。(4)基于FWA-GRNN间歇过程多阶段在线故障诊断为进一步研究间歇过程故障诊断方法,实现更高效的故障诊断效果,提出基于FWA-GRNN间歇过程多阶段在线故障诊断方法。首先在各子阶段内构造FWA-GRNN诊断模型,利用智能算法FWA优化广义回归神经网络(GRNN)的平滑因子,从而构造高效的故障诊断模型。该方法综合了智能算法FWA与神经网络GRNN的优点,可以实现间歇过程高效故障诊断。为验证FWA-GRNN诊断模型的有效性,本文将该方法与FWA-SVM方法进行对比研究,实验对比结果表明,利用神经网络GRNN实现间歇过程故障诊断效果更佳,验证了该方法的可行性与有效性。