1、由于工況輸入點(diǎn)改變、原料變化、季節(jié)因素以及設(shè)備老化等原因，工業(yè)過(guò)程運(yùn)行狀態(tài)會(huì)發(fā)生不同程度的改變。在多工況過(guò)程建模和故障檢測(cè)中，需要對(duì)這些變化加以識(shí)別以便實(shí)現(xiàn)不同階段的故障檢測(cè)。傳統(tǒng)的多工況過(guò)程監(jiān)測(cè)通常著眼于穩(wěn)態(tài)工況而忽略了過(guò)渡過(guò)程的存在。在過(guò)渡過(guò)程中，數(shù)據(jù)特性的劇烈波動(dòng)會(huì)對(duì)過(guò)程的平穩(wěn)運(yùn)行產(chǎn)生一定程度的影響。因此，對(duì)過(guò)渡過(guò)程的建模和在線監(jiān)測(cè)是工業(yè)過(guò)程監(jiān)測(cè)領(lǐng)域中一個(gè)重要的研究課題。本文通過(guò)對(duì)過(guò)渡過(guò)程中的不同數(shù)據(jù)特性，包括非線性特性、非高斯特

2、性及動(dòng)態(tài)特性進(jìn)行建模分析，著重研究了過(guò)渡過(guò)程的識(shí)別和在線故障檢測(cè)方法。全文的主要研究?jī)?nèi)容如下:
　　首先，考慮過(guò)渡過(guò)程數(shù)據(jù)中的非線性特性的影響，將一個(gè)過(guò)渡過(guò)程視為多個(gè)子階段，提出了一種多投影模型迭代更新的數(shù)據(jù)分類(lèi)方法，并綜合多次數(shù)據(jù)分類(lèi)情況得到最終多工況數(shù)據(jù)的分類(lèi)結(jié)果。同時(shí)設(shè)置過(guò)渡過(guò)程判別規(guī)則來(lái)判斷分類(lèi)結(jié)果中過(guò)渡過(guò)程各子階段和各穩(wěn)態(tài)工況的分布，從而達(dá)到離線識(shí)別過(guò)渡過(guò)程的目的。之后，提出了一種基于KPLS模型序列的過(guò)渡過(guò)程在線識(shí)別和

3、故障檢測(cè)方法，通過(guò)模型的在線更新完成過(guò)渡過(guò)程的在線識(shí)別和故障檢測(cè)的任務(wù)。
　　其次，考慮過(guò)渡過(guò)程數(shù)據(jù)中的非高斯特性的影響，提出了一種基于獨(dú)立元交互信息差異度的過(guò)程故障檢測(cè)方法。針對(duì)過(guò)渡過(guò)程的時(shí)變特性，引入即時(shí)學(xué)習(xí)的思想，通過(guò)求取在線數(shù)據(jù)和歷史數(shù)據(jù)之間的交互信息，選取相似歷史數(shù)據(jù)作為在線訓(xùn)練集。同時(shí)運(yùn)用核密度估計(jì)方法，并結(jié)合獨(dú)立元交互信息差異度分析方法對(duì)統(tǒng)計(jì)限進(jìn)行在線更新。之后，通過(guò)比較在線數(shù)據(jù)和在線訓(xùn)練集之間的獨(dú)立元交互信息差異度

4、，實(shí)現(xiàn)過(guò)渡過(guò)程的故障檢測(cè)。
　　再次，考慮過(guò)渡過(guò)程數(shù)據(jù)中的自相關(guān)特性的影響，提出了一種基于動(dòng)態(tài)交互信息的方法用以提取過(guò)程的動(dòng)態(tài)信息，并通過(guò)度量多工況過(guò)程中不同階段之間動(dòng)態(tài)特性的相似度，完成過(guò)渡過(guò)程的離線識(shí)別工作。同時(shí)，為兼顧算法快速性和高效性，提出了基于兩步移動(dòng)窗策略的多工況過(guò)程識(shí)別方法。隨后，提出了基于DPLS模型序列的過(guò)渡過(guò)程在線識(shí)別和故障檢測(cè)方法，通過(guò)模型的在線更新完成過(guò)渡過(guò)程在線識(shí)別和故障檢測(cè)的工作。
　　最后，對(duì)本