随着大数据时代的来临,数据驱动的过程监测算法研究备受学者关注。考虑数据通常以多变量形式携带过程信息,因此多变量算法被广泛用于研究变量间的关系。如今,多元统计过程监测由于利用多变量特性以及统计学原理,已成为大规模复杂工业过程的常用解决方案。偏最小二乘(PLS)是多元统计过程监测中应用广泛的关键性能指标(KPIs)监测算法。PLS的基本思想是对测量数据和KPIs进行线性变换,最大程度提取两者之间相关性,提取互不相关的低维主元空间。慢特征分析(SFA)是可以有效区分真正故障引发的动态异常和操作条件的正常变化。SFA的基本思想是对过程数据进行线性变换,使得线性变换后的数据变化尽可能地缓慢,提取互不相关的、缓慢变化的低维主元空间。传统的PLS和SFA虽然都已得到成功应用,但是存在缺陷,其研究对象是线性的、静态的过程,同时,传统的PLS不能准确地把过程测量数据划分为KPI相关子空间和KPI无关子空间。因此,本文针对上述缺陷,做出以下工作:1.针对非线性问题,提出了基于KPI的核偏最小二乘算法(简称KPI-KPLS)。KPI-KPLS利用残差空间的KPI信息建模,通过对可计算的载荷矩阵执行广义奇异值分解,将数据空间合理地划分为两个子空间:KPI相关子空间和无关子空间。此外,本文分析了核函数方法的故障可检测性,并提出了 KPI相关故障再划分的准则。2.针对动态问题,提出了两步法动态慢特征分析(简称TS-DSFA)。TS-DSFA采用变量自回归模型描述动态过程,首先估计系统动态结构并提取数据中的动态成分,随后使用动态慢特征分析法监测动态成分。TS-DSFA继承了慢特征分析法可以区分真正故障引发的动态异常和操作条件的正常变化的优势,同时在带有噪声波动的动态过程下保持良好监测性能。