现代工业生产过程一般是非线性、时变、强耦合的复杂系统,难以建立精确的过程监控解析模型,随着传感器及计算机技术的发展,控制系统可以记录大量的过程数据,这就为建立生产过程监控的统计分析模型奠定了基础。本文以典型间歇过程对象—啤酒发酵为对象,研究间歇过程故障诊断及监控模型。主要研究内容及工作如下:采用最小二乘支持向量机进行故障诊断,对于最小二乘支持向量机鲁棒性与稀疏性缺失的问题,采用加权法与剪枝法分别对最小二乘支持向量机进行改进,使得诊断模型具有了标准支持向量机相似的鲁棒性与稀疏性,抗干扰能力增强、诊断速度得到提高,并通过实验仿真验证了以上方法的有效性。针对支持向量机诊断模型参数选择缺乏理论指导这一问题,采用粒子群优化算法,对模型的惩罚因子与核参数进行寻优,使得模型参数的选择直观、迅速,诊断模型的泛化能力得到了增强。针对啤酒发酵生产过程中不同操作时段的运行状态,提出了一种基于分阶段加权最小二乘支持向量机故障诊断模型,算法对不同的操作时段分别建立模型,避免了采用单一模型不能很好地表现原始数据的信息,导致某些重要信息缺失的问题,提高了故障诊断的准确率,可及时准确的诊断出故障类型。通过离线建模和在线诊断,证实了方法的有效性。