1、現(xiàn)代工業(yè)生產過程中，過程監(jiān)測技術對于保證過程正常運行，提升產品質量有著重要的研究意義和實用價值。隨著工業(yè)生產的復雜化和大規(guī)?；^程的機理模型往往難以獲得，而由于計算機技術的發(fā)展和集散控制系統(tǒng)的應用，從生產中采集到的過程數據越來越豐富，這些工業(yè)大數據中包含了大量與過程運行相關的重要信息。因此，如何從海量數據中提取過程特征和有效信息，并進一步實現(xiàn)過程建模和在線實時監(jiān)測，成為了基于數據驅動的過程監(jiān)測技術的研究熱點。近幾十年來，針對實際生產過

2、程中的各種監(jiān)測需求，在多變量統(tǒng)計過程監(jiān)測領域涌現(xiàn)出了大量研究成果。傳統(tǒng)的多變量統(tǒng)計方法往往基于過程數據的理想情況假設，因而在實際過程中的應用受到了限制。針對工業(yè)大數據的動態(tài)性、非線性、非高斯性和隨機性等復雜特性，本文通過分析過程數據的變化軌跡，以過程的動態(tài)性為主要切入點，將批次過程和連續(xù)過程作為研究對象，解決過程監(jiān)測技術在實際生產過程中面臨的一系列問題。
　　(1)針對批次過程的數據動態(tài)性和批次數據不等長等問題，提出了一種以軌跡分

3、析為主要思想的動態(tài)建模和故障檢測方法。通過局部差分計算構造軌跡向量，同時利用即時學習方法搜索并提取相似軌跡，實現(xiàn)在線多變量統(tǒng)計監(jiān)測模型的更新和故障檢測，改進了批次過程動態(tài)故障檢測技術并解決了歷史數據缺陷等問題。在實際應用過程中，由于基于軌跡向量的方法提取了過程的變化軌跡和趨勢，對于動態(tài)過程有較好的故障檢測效果，同時避免了數據不等長和數據缺失等問題對在線監(jiān)測的干擾。
　　(2)針對批次過程模態(tài)間過渡階段的復雜數據特性，提出了一種基于

4、局部軌跡分析和PLS-SVDD算法的過程建模和故障檢測方法。由于批次過程模態(tài)間的過渡階段數據特性十分復雜，除了包含強自相關性之外，還包含非高斯性和非線性等其他復雜特性。同時，由于該階段的質量指標對于過程前后模態(tài)的正常運行有著重要的指導意義，因此對其進行質量相關的故障檢測是十分必要的。為此，通過對局部數據軌跡和分布的分析辨識出過渡階段并建立對應的PLS-SVDD模型，在利用回歸模型實現(xiàn)質量相關的故障檢測的同時，消除了數據非高斯性對統(tǒng)計量構

5、造和故障檢測的影響。在對批次過程進行全局故障檢測時，通過對過渡階段進行單獨的局部建模和在線故障檢測，可以使監(jiān)測結果更為可靠。
　　(3)針對批次過程監(jiān)測中遇到的過程隨機性和不確定性問題，提出了一種基于隨機優(yōu)化和軌跡分析的故障檢測方法。考慮到過程的動態(tài)性以及質量相關故障檢測的需求，以隨機優(yōu)化算法為主要思想，計算包含隨機參數的最優(yōu)歷史質量軌跡作為故障檢測的參照軌跡。與此同時，由于通過傳感器采集到的歷史數據可能包含缺失數據或面對總批次數

6、較少的問題，引入bagging算法對歷史數據進行重采樣并構造出包含獨立最優(yōu)質量軌跡的多個監(jiān)測子模型，并分別設計對應的統(tǒng)計量。在線監(jiān)測階段，通過將各個子模型的故障檢測結果利用集成學習方法進行決策融合，最終實現(xiàn)質量相關的在線故障檢測。通過引入隨機優(yōu)化的概念，在考慮過程動態(tài)性和質量相關故障檢測等普遍問題的同時，消除了過程隨機性和不確定性對故障檢測的影響，相比傳統(tǒng)方法在實際生產過程中有更好的監(jiān)測效果和應用價值。
　　最后，將本文提出的基于