间歇过程作为现代工业生产的重要组成部分，广泛应用于生物制药、精细化工、半导体加工等领域。对间歇过程实施过程监测，能确保生产过程安全和提高产品质量，具有重要的实际意义。随着现代传感器技术，数据库技术的发展，伴随工业生产的大量数据被记录下来，极大推动了基于数据驱动的过程监测方法研究。此外，数据挖掘技术的进步也为基于数据驱动的过程监测提供了新方法。　　基于数据驱动三维矩阵展开的间歇过程监测方法主要分为三类，基于批次展开的监测方法，基于时段的监测方法和基于时变动态的监测方法。基于时变动态的监测方法与前两类监测方法相比，其研究相对较少。考虑到子空间监测策略在复杂工业过程监测中的有效性，本文将其拓展到基于时变动态的间歇过程监测方法中，提出多种基于数据驱动子空间设计的间歇过程监测算法。研究内容包括以下五个方面:　　(1)间歇过程变量间的相关性关系非常复杂，有些变量的相关性较强，有些变量的相关性较弱。相关性较强的变量对故障具有相似的变异行为，相关性较弱的变量对故障的变异行为各不相同。当故障发生后，可能会出现与故障变量相关性较强的变量表现出变异特征，而与故障变量相关性较弱的变量不能表现出变异特征的情况。对于这种部分变量具有变异特征的情况，若在整个变量空间进行监测，会增加变异特征被淹没的风险，不利于故障检测。针对这个问题，提出基于变量子空间的间歇过程监测方法。当故障仅引起部分变量具有变异特征时，这样的变异特征在子空间中会比在整个变量空间中更加明显，从而可以减低变异特征被淹没的风险。　　(2)在过程监测中，通常将过程变量映射为隐变量剔除冗余信息，对原始数据进行压缩。在异常状态下的隐变量空间中依然存在部分隐变量具有变异特征的现象，并且这样的现象同样具有变异特征被淹没的风险，不利于故障检测。针对这个问题，提出基于隐变量子空间的间歇过程监测方法。　　(3)当故障发生时，过程变量的变异行为总体上会有三种不同的情况:只有一个变量具有变异特征，部分变量具有变异特征，大部分变量具有变异特征。在间歇过程中，过程变量的变异行为可能是以上三种情况之一，也可能是以上三种情况的相互切换。然而基于子空间的监测方法仅对第二种变异情况具有较强的故障检测能力。因此，对于间歇过程中复杂的变异情况，基于子空间的监测方法具有局限性。针对这个问题，提出分层结构子空间的间歇过程监测方法，即集成单变量监测、子空间监测、以及全空间监测，从而适应具有多种不同变异行为的故障。在分层结构子空间监测的基础上，设计了可视化监测结果，便于故障分析。　　(4)以上子空间设计方法均是在离线情况下进行的，并且是时间方向上的全局子空间设计，子空间结构是固定不变的。然而在间歇过程中，过程变量间的相关性在时间方向上是变化的。当在线监测时，这种基于固定结构子空间的监测不能适应这种时变行为，从而不能达到理想的监测效果。此外，对于具有多个子空间的监测方法，合理有效地确定子空间个数以及融合子空间监测结果非常困难。针对这些问题，提出基于自适应变量子空间的间歇过程监测方法。自适应变量子空间设计是利用在线样本信息，选取具有故障检测能力的敏感变量，将全部敏感变量和不具有故障检测能力但与敏感变量相关性较强的非敏感变量同时用于构建子空间。自适应变量子空间设计是在线情况下利用测试样本信息进行的，并且是时间方向上的局部设计方法，不仅能够适应间歇过程的时变行为，同时在发现敏感变量后可以集中异常状态的主要变异特征，并且自适应变量子空间设计仅具有一个子空间，可以避免确定子空间个数以及融合子空间监测结果的问题。　　(5)基于自适应变量子空间的监测方法在应用时严重依赖其敏感变量的选择，当不能发现敏感变量时，其方法将退化为一般监测方法，不能有效集中过程变量中的变异特征，进而会不利于故障检测。针对以上问题，在过程变量去除冗余信息后的隐变量空间中，提出基于自适应隐变量子空间的间歇过程监测方法。基于自适应隐变量子空间的监测方法不仅具有自适应变量子空间监测方法的全部优点，同时还可以更有效地集中变异特征。　　上述研究内容通过数值仿真模型以及青霉素发酵仿真平台测试，相比于其它间歇过程监测算法，可以有效提高在线监测效果，验证其可靠性和有效性。同时，对于提出方法的纵向对比表明，基于自适应隐变量子空间的间歇过程监测，在选择合适个数的隐变量建立子空间的情况下，可以取得最好的监测结果。