中文摘要：

该项目针对目前间歇工业过程基于数据的多元统计监测方法中存在的关键技术难题展开研究，提出新的基于单批次动态非线性特性的多元统计建模方法（SDNPCA），从根本上综合解决各批次数据不等长问题、数据预报问题和建模数据缺乏问题。同时单批次模型思想具有多模型特性，此优点为弱故障监测提供技术支持。在此基础上，进一步研究基于SDNPCA集成优化建模方法以实现多时段间歇过程的自动划分与建模；研究SDNPCA模型的在线评估与更新算法，实现对过程缓变参数的自适应性，提高过程监测能力。通过该项目研究，为间歇过程的监测和评估提供更具有可行性和实用性的新理论、新技术和新方法。最终形成一套以SDNPCA为技术核心的完整的基于数据的多元统计建模与状态评估监控理论体系，为间歇过程安全可靠运行提供技术保障，不仅具有重要的理论意义，而且具有重要的实际应用价值。

结论摘要：

本项目对含有动态非线性、不等长、少批次、多阶段等特征的间歇过程进行过程监测研究，按照计划进行，取得了预期成果。针对间歇过程监测中，由于存在动态特性而使数据不符合正态分布，从而无法直接应用连续过程PCA建模监测方法这一问题，提出了基于批次动态特性的间歇过程动态PCA建模方法。针对KPCA应用过程中，核函数种类和核函数参数难于确定问题，提出了基于遗传算法的优化方法。以核函数种类、参数作为优化的决策变量，以在线监测正确率最大，建模主元个数最少，SPE控制限最小为多级目标。针对求解问题，设计了适应度函数及基因的选择、交叉、变异算法，保证了核函数种类的多样性和解的最优性。针对多采样率数据存在使得数据是不完整问题，提出了一种改进的NIPALS主成分分析算法。通过将含有缺失数据的样本点分解成可观测部分与非可观测部分，使用可观测部分的数据对非可观测部分的数据进行插补，然后再迭代求取主元。针对初始条件波动较大引发的弱故障不能有效检测问题，提出了一种基于多模型SDKPCA的弱故障监测方法。 这种多模型的思想是在BDKPCA的基础上提出的，首先将过程划分为多个阶段，在每一阶段针对每一批次应用KPCA和ARMAX时间序列建立模型，称为SDKPCA模型。然后所建立的模型进行聚类构成多模型结构。当在线应用时，提出了一个基于滑动窗口的模型选择方法。提出的方法能有效捕捉过程中动态性和非线性，也不存在数据预估问题。在上述方法基础上，为了减少计算量和处理批次数据不等长的问题，提出了基于特征点的M-SDKPCA建模方法。采用三步特征点提取方法针对每一批次提取相同数量的特征点，这样由特征点构成的批次具有相同的长度。接着采用M-SDKPCA进行建模，大大减少KPCA的计算复杂度，缩短计算时间。针对复杂工业过程中的大时变、多操作、非高斯等问题，提出了一种基于LCS-MDPCA分时段的在线统计监测新方法。针对一些工业生产过程操作的随机性将导致数据类型无尽且批次数据严重不等长情况下，数据不全问题，提出了一种针对多操作过程的新的上下多模型动态PCA（Up-Down MDPCA）快速监测方法，用于具有新类型的新批次数据监测。上述方法进行了仿真和实验研究，结果表明提出的方法是有效的。