生产系统平稳有效地运行有利于提高产品质量、保护人身财产安全,这在生产过程中至关重要,过程监视技术是其中的关键。批次生产过程在现代工业中占有很重要的地位,其安全问题也成为人们研究的热点。本文通过深入解析批次过程数据非高斯、非线性等特点,研究了以K近邻算法为基础的故障检测技术,开展了故障检测、故障定位的研究。具体的研究工作如下:(1)分析了批次过程数据特性,对于批次过程中特有的三维数据进行展开,转变成二维数据,使用动态时间规划算法处理批次过程中数据不等长的问题,利用k均值聚类算法处理多工况问题,对数据进行预处理是必不可少的一个环节,这有利于提高故障检测精度。(2)原始的批次过程数据是高维数据,传统的主元分析的降维手段对于批次过程非线性的数据是不适用的,本文使用扩散映射的非线性降维手段对数据进行降维处理,扩散映射方法可以发现数据的流形结构,并且在降维的过程中保持这种数据结构特性,增强了算法的鲁棒性,降低了噪声对数据的影响。(3)针对传统K近邻算法中的K值选取问题作了进一步的研究工作,提出了使用动态K值来代替固定K值。利用动态KNN的算法提高了故障检测的准确度,因为该方法的K值是随着检测样本的改变而变化的,并不是固定不变的常数。(4)针对故障检测之后故障定位,本文提出了变量替换的方法来对故障数据进行故障定位。该方法对数据没有特定要求,对线性、非线性数据都有效,并且对于多变量的故障数据也有很好的定位效果。