随着现代化工业的快速发展,各种仪器和设备不断增多并逐渐走向智能化,整个系统变得越来越复杂。为了确保系统各组件正常的运行,大批传感器被用来监测不同设备的状态。系统运行时产生的大量过程数据可以有效监测系统的性能、运行状况以及是否发生故障。在实际的工业过程中,由于数据间存在冗余信息,因此无法精确的监测系统的性能并检测系统的故障。因此,本文以解决实际问题为出发点,主要研究内容有如下三个点: （1）为了能有效分析非高斯数据下扰动和控制动作对性能变量的影响,提高非高斯过程变量的监测效率,提出了一种基于独立成分分析的非高斯相关算法来监测非高斯过程变量和非高斯性能变量。首先,通过独立成分分析（ICA）从原始数据中提取非高斯信息,在此基础上,通过典型相关分析（CCA）将非高斯信息分为非高斯性能相关子空间和非高斯过程相关子空间,最后通过具体案例证明了所提方法的适用性和有效性。 （2）为了避免过程和传感器噪声影响高速列车缓慢变化故障的检测的难度,提出了一种新颖的动态内部慢度特征分析（DISFA）。该方法通过将动态内部的思想引入到多重统计的框架中且兼顾动态和静态条件,提高了行走机构缓慢变故障的检测速度,提高了缓慢变化故障的检测率。与其他传统方法相比,该方法对缓慢变化更敏感,可以有效分析故障相关数据,提高缓慢变化故障的检测效率。首先一系列的数学推导证明了DISFA算法在理论上的可行性,然后通过走行部系统验证了其有效性。 （3）针对行走机构系统中的非高斯测量和缓慢变化故障,提出了一种基于时间序列特性的故障检测方案,称为时间序列独立成分分析（Ts ICA）。时间序列算法可以通过控制权重来提取缓慢变化的数据,每次提取后更新一次数据集。由于只考虑非高斯数据的影响,在数据更新后采用独立成分分析算法检测故障。该方法有效的提取了数据间潜在信息,同时还缩短了故障首次被检测的时间。通过走行部系统验证了所提方案的可行性。