过程监测是保证生产安全、稳定运行的一个非常重要的措施。现今的生产过程会产生大量的数据,这为仅依赖数据的过程监测方法提供了数据基础。但是在大规模数据中,会包含很多冗余信息,数据量过大还会造成运算速度慢等问题。本文在基于盲源分离算法的过程监测方法研究过程中,利用原有的熵的样本选择方法,根据熵的性质提取大规模数据中的主要信息,给出新的样本选择方法。针对基于峭度和负熵的固定点算法的弊端,给出自适应加权的结合方法。主要研究的内容如下:(1)研究了主成分分析(PCA)、盲源分离和独立分量分析(ICA)的原理和在过程监测中的应用。根据熵可以衡量信息丰富程度的性质,讨论了样本选择方法在数据降维中的应用和必要性。在PCA和ICA方法的基础上,研究了基于信息熵和熵均值的样本选择方法,并利用选择出的小样本数据建模,进行仿真分析。通过比较误报率,验证了基于信息熵和熵均值的样本选择方法的准确性。(2)研究了盲源分离算法中基于峭度和负熵的固定点算法,分析了两种算法的差异性和优劣点。采用扬长避短的思路,引入权值调整的思想,研究了基于自适应加权的峭度和负熵的结合方法,进行仿真分析。验证了权值调整方法的正确性和自适应加权结合方法的过程监测性能;利用数值仿真,将自适应结合方法和单一方法进行比较,说明基于自适应加权的峭度和负熵的结合方法拥有更广泛的适用性。(3)以磨矿分级过程为背景,对其进行基于信息熵和熵均值的样本选择方法,分别利用ICA方法和自适应加权的峭度和负熵的结合方法,实现在线监测仿真,验证了样本选择和结合方法的有效性。