近年来,随着现代社会对多品种、多规格和高质量产品的迫切需求,生产小批量、高附加值产品的间歇过程己成为工业中一种重要的生产方式,被广泛应用于食品、精细化工、生物制药、金属加工等与人们的生活息息相关的领域,因此,间歇生产的安全可靠运行逐渐成为了人们所关注的焦点,实现间歇生产过程监测及故障诊断具有十分重要的意义。目前,基于多元统计的过程监测方法由于其种种优点,而在工业生产过程监测领域使用最为普遍。在间歇生产过程中,一个显著特点就是过程按预先设计好的工序重复进行,而由于气候影响、原材料质量差异、基于非时间坐标数据采集系统等因素,工业过程不可能达到完全地重复生产,因此采集到的过程数据长度就变得不再相同,这就是间歇过程数据不等长问题,这个问题使得采样数据无法组成一个整齐的三维矩阵,而给基于PCA的间歇过程监测建模带来了很大的困难。动态时间弯曲(DTW)是应用于语音识别领域的信号匹配方法,通过对待测信号与标准信号匹配距离的计算找出最佳匹配信号。方法中用于计算信号匹配距离的弯曲路径概念是将该方法用于不等长数据处理的理论基础。本文提出将DTW方法应用于间歇生产过程不等长数据处理,通过最优方法获得标准数据与测试数据最短匹配距离的同时,也确定了一条与之对应的弯曲路径,该路径与标准数据等长,其在测试数据中的投影将测试数据拉伸或压缩为与标准数据同样的长度,最终达到了不等长数据处理的目的。另外,针对具有多时段特性的间歇生产过程,本文提出了先对间歇过程分段,再基于DTW方法分别对各时段不等长数据进行不等长处理的方法。该方法不但可以保证各个批次的整体建模数据是等长的,还可以保证在各个时段中,建模数据也是等长的,这给具有多时段特性的间歇生产过程监测建模带来了很大的方便。为验证DTW方法在数据不等长处理中的有效性,本文以注塑过程为背景,对多批次的不等长数据进行处理、统计建模、在线监测以及故障诊断,仿真结果表明,经DTW处理后数据所建立的模型可有效地实现注塑过程监测及故障诊断,验证了本文提出方法的有效性。