间歇过程是工业过程的重要生产方式,被广泛应用于精细化工、生物制药等行业中。近年来,随着市场需求量的不断加大,间歇过程正朝着大型化集成化的方向发展。然而大型化集成化的生产过程更容易发生故障,过程一旦发生故障常常会引起连锁反应,轻则影响产品质量,重则危及生命财产安全。为了保证生产过程安全稳定运行,保护人民生命财产安全,降低生产成本,对间歇过程实施过程监控具有重大意义。间歇过程的复杂化阻碍了基于解析模型和基于知识的过程监控方法的发展,然而计算机水平的提高,过程数据采集的简易化,为基于数据驱动的过程监控方法提供了发展契机。目前,基于数据驱动的方法已经广泛应用于间歇过程监控中,但总是对过程数据设置某种理想化的假设条件,如数据服从高斯分布、数据等长等,这些假设条件在一定程度上影响着过程监控效果。本文以过程数据为基础,针对间歇过程的特点,提出了两种基于主元分析法(PCA)的过程监控方法。传统的利用单一模型进行过程监控的方法在间歇过程中已经广泛应用,它将一个批次的过程数据看成一个样本,虽然能在整体上监控间歇过程的运行状态,却忽略了间歇过程局部特性。针对传统方法的不足,结合间歇过程的多时段、时变性和数据不等长特点,采用了一种基于即时学习的主元分析法(JITL-PCA)。该方法采用在线局部建模方式,充分考虑了间歇过程的局部特征,在青霉素发酵过程(典型的间歇过程)中得到了良好的监控效果。考虑到JITL-PCA方法在实时性方面的欠缺,以及多次建模的繁琐性,针对间歇过程多时段特性引起的数据多分布特性,采用了一种局部邻域标准化的数据预处理方法。该方法利用过程数据的局部信息标准化,使处理后的数据服从或近似服从高斯分布,满足了PCA方法要求数据服从单一分布的假设。本文将该方法应用于青霉素仿真过程中,并与JITL-PCA方法进行对比分析,验证了方法的有效性。