随着信息技术的迅猛发展，各行各业都在时刻产生大量的数据信息，传统数据库技术和方法无法发现数据中存在的潜在有用的知识、关系和规则，从而导致了“数据爆炸但知识贫乏的现象”。知识发现和数据挖掘技术就是为迎合这种需要而出现的一种用于开发信息资源的新型数据分析技术。间歇生产过程是以顺序的操作步骤进行批量产品生产的一类典型的生产过程，广泛应用于精细化工、食品饮料和生物医药生产行业，和其他过程比较，其具有按配方批量生产、过程非稳态、资源共享等特点，间歇生产过程的数据因此具有高维、强关联、非线性、周期性等不利于信息表达和处理的难点。 本文以啤酒糖化生产过程为背景，采用知识发现和数据挖掘方法，对间歇生产过程中的各种有价值知识的提取方法展开讨论。分别使用模糊聚类方法、混合模糊神经网络、关联规则挖掘等知识发现方法对间歇过程中的配方、周期性污垢、操作策略规则等进行挖掘和处理。 本论文主要完成了以下一些工作： 1、针对间歇生产过程的配方作为一个包含各种综合生产信息的变量，却一直没有定量分析方法这一问题，提出了一种基于模糊聚类的配方建模方法。建立了配方的相似性测度及配方类间混合距离测度方法。 2、根据配方的模式分布特点，提出了一种基于类核函数的配方模糊聚类算法，定义一个配方类核函数来代表配方类，通过最小化所有配方样本到配方类核距离加权和来对配方进行聚类，得到聚类数目及模糊隶属度矩阵。该配方模糊聚类法克服了FCM算法对于配方样本分类存在较大误差的缺点。 3、针对模糊神经网络不能接受离散标称变量输入的缺陷，在CCT模糊神经网络和模糊聚类方法的基础上，提出了一种混合模糊神经网络建模方法。该混合模糊神经网络的模糊化层除了具有模糊化神经元，还加入一类模糊聚类神经元。模糊聚类神经元通过预先计算的模糊聚类隶属度矩阵来输出对应于离散输入的模糊化值。浙江大学博士学位论文 4、针对间歇过程中使用模糊神经网络建模和测量对于配方变化较为敏感的问题，使用配方模糊聚类方法和混合模糊神经网络建模方法，设计了一个由多个连续型操作参数输入和1个离散型配方变量输入的配方混合模糊神经网络，用于污垢的建模和预测。 5、针对间歇换热设备的周期性结垢现象，以及由此引起的对象特性对变并造成常规控制器动态性能下降等问题，提出了一种基于配方混合模糊神经网络的周期性结垢预测方法。把间歇换热设备的周期性结垢分解为可逆垢和不可逆垢，通过两个多入单出配方混合模糊神经网络分别学习结垢的短周期可逆垢增长趋势和长周期不可逆垢增长趋势，并由两者的组合得到更为精确的污垢热阻预测值。 6、对一类典型的间歇生产过程—啤酒糖化生产过程，系统地分析了其工艺对象特点及控制难点，给出了实现计算机控制的网络结构和硬件配置以及实现系统全自动控制的上下位机软件设计方法。 7、针对啤酒糖化生产过程中存在的几个传统控制难点:糖化锅的温度曲线控制、过滤槽的流量控制以及煮沸锅的蒸发强度控制，通过机理分析和建模方法，分别提出了有效的先进控制策略。·