在工业过程中,有效的过程监控和质量控制是保证生产安全、提高产品质量和经济效益的关键。对于复杂的化工过程来说,准确详细的数学模型往往很难得到。即使能够得到,这些理论上的等式也只能描述系统中一部分能量及物料的平衡关系,这限制了基于模型的过程监控方法的应用。随着计算机控制技术的发展,分布式工业控制系统、各种智能化仪表和控制设备在工业过程中的广泛应用,大量的过程数据被采集并存储下来。如何充分利用这些存储的数据信息,从中挖掘出过程运行的深层次规律,以提高过程监控能力,已经是过程工业亟待解决的问题,也是过程控制领域的研究热点。统计过程监控是一种基于数据驱动的方法,它以多元统计理论为基础,通过对过程测量数据的分析和解释,判断过程所处的运行状态,在线检测和识别过程中出现的异常工况,从而指导生产、提高产品质量和生产效率。本文针对连续和间歇两种生产方式的特点,对传统的统计过程监控方法做了不同程度的改进,并提出了一些新的统计过程监控算法。本文的主要工作和贡献有以下几个方面:1.提出了基于小波变换主元分析和支持向量机的过程监控和故障诊断方法。首先提出了一种基于小波变换主元分析的统计过程监控方法。利用小波变换有效的抑制过程数据中所含的噪声和干扰信号,主元分析可以降低过程数据的维数并建立主元监控模型,这样提高了统计过程监控的准确性和有效性。在此基础上,提出了基于支持向量机的故障诊断方法。考虑到实际工业过程故障数据的数量比较少,而支持向量机在小样本学习方面具有良好的泛化能力的特点。当故障发生时,利用小波变换主元分析提取出的主元得分向量作为训练好的多重支持向量机的输入来判断故障的类别。对TE过程的监控应用表明了所提出方法的有效性。2.针对间歇过程监控的特点,结合Fisher判别分析方法在数据分类上的优势,提出了一种基于Fisher特征提取的间歇过程监控和故障诊断方法。在线过程监控时,所提出的方法仅利用已获得的过程数据的测量值对过程进行监控,避免了传统的多向主元分析(MPCA)方法对未来测量值的估计,从而提高了间歇过程监控的性能。利用Fisher空间中提取出的过程数据的特征向量和判别向量来实现过程监控和故障诊断。通过对青霉素发酵间歇过程的仿真应用表明,所提出的方法比传统的MPCA方法能更及时的监测出过程的异常情况,更准确的判断异常的原因。3.利用核学习理论的优势,将核方法引入到线性Fisher判别分析中,提出了基于核Fisher判别分析的非线性统计过程监控与故障诊断方法。该方法通过非线性映射将过程数据从低维的输入空间映射到高维的特征空间,实现了变量之间非线性相关关系的线性转化。在高维的特征空间中利用Fisher判别分析方法,求出满足最大分离程度的核Fisher特征向量和判别向量来实现过程监控与故障诊断。与核主元分析方法(KPCA)相比,所提出的方法不仅简化了运算,避免了对核主元个数的确定,而且可以通过求解最优的Fisher判别向量来实现故障诊断。通过对流化催化裂化过程的数值研究,验证了所提方法在非线性过程监控与故障诊断中的可行性和优越性。4.针对化工过程中质量变量不能在线测量或有较长时间延迟情况下,传统的质量控制方法并不能很好的抑制过程的随机扰动对质量产生影响,本文提出了多变量统计质量控制方法。该方法根据历史正常工况的数据,建立质量变量的预测模型,通过高采样频率的过程变量来预测低采样频率的质量变量,根据质量变量的预测值和设定值之间的偏差来确定过程操纵变量的调节量。通过调节操纵变量来抑制过程的随机扰动达到控制最终产品质量的目的。所提出的方法在TE过程中仿真结果表明,与传统的PID质量控制方法相比,该方法能减小由过程扰动引起的质量变化。5.将统计过程监控方法应用到上海焦化甲醇精馏过程中。通过分析上海焦化甲醇精馏过程的特点和工艺流程,选取合适的过程变量,提取不同时段正常工况的数据建立统计监控模型;提取在线的过程运行数据和加压塔再沸器泄漏故障检修前的过程运行数据,验证了统计监控模型的有效性。为进一步的统计过程监控模块化设计和实施奠定了基础。