间歇过程是重要的工业生产方式之一,具有可定制化、生产灵活、产品附加值高等优点,广泛用于精细化工、生物制药和食品加工等领域。在间歇过程生产中,传感和测量技术的快速发展和应用,提供了丰富的过程测量数据,为数据驱动的间歇过程在线监控、生产控制与优化提供了基础和保障,提高了企业的经济效益。然而,由于受生产现场环境、现场测量仪表性能衰减、故障等影响,使得过程测量数据出现异常,降低了过程测量数据的质量和间歇过程监测与控制技术的工业应用效果。现有的间歇过程测量数据异常检测方法利用多变量统计分析或机器学习检测过程测量数据异常,没有充分考虑间歇过程固有的多时段特性和过程测量数据特征,降低了过程测量数据异常检测的准确性,同时,也缺乏对异常过程测量数据进行校正。实际间歇生产过程都存在着不完全量测,使得过程测量数据出现异常,因此,充分考虑间歇过程的多时段特性和过程测量数据特征,研究不完全量测下的过程测量数据校正方法,校正测量数据,促进间歇过程监测与控制技术的工业应用。本文通过对间歇过程的多时段特性和过程测量数据特征进行分析,研究不完全量测下的多时段间歇过程测量数据校正方法,提出了一种基于时序约束模糊聚类(SCFC)的间歇过程时段划分方法,通过迭代比较初始隶属度和时序隶属度的大小实现时段划分;在此基础上,结合支持向量数据描述(SVDD)算法,提出了一种基于SCFC-SVDD的多时段间歇过程测量数据异常检测方法,该方法比较在线过程测量数据球心距与时段超球体半径的大小检测过程测量数据异常,构建了基于过程变量球心距权重的故障诊断策略,实现了异常过程测量数据溯源;基于即时学习(JITL)和相关向量机(RVM),建立了一种基于JITL-RVM的多时段间歇过程数据校正方法,对不完全量测下的异常过程测量数据进行校正。实验研究表明,所提出的基于SCFC的间歇过程时段划分方法,能够准确地划分间歇过程的时段;所提出的基于SCFC-SVDD的多时段间歇过程测量数据异常检测方法,能够检测不完全量测下的异常过程测量数据,相比于传统的多时段SVDD异常检测方法,具有更高的异常检测精度;所建立的基于JITL-RVM的多时段间歇过程数据校正方法,能够对不完全量测下的异常过程测量数据进行校正。