随着科学技术的不断创新与发展,人类经历了手工业,机器大工业时代,逐步向大型化、集成化和自动化的现代工业方向迈进。工业生产过程往往条件多变,结构复杂,维护困难,这些不利的因素给系统的安全性与可靠性提出了不小的挑战。为了保证工业系统能够持续稳定的工作,需要建立一种有效的机制对其运行状态进行实时的监控。多元统计过程控制提供了一种有效的手段进行故障检测,其中主元分析(Principal Component Analysis,PCA)是一种最为常见的方法。事故的产生往往都是从微小故障开始的,如果可以及时的检测到这些小故障发生,提供早期预警,就能够避免一系列不必要的损失。本文针对微小故障的特点,在传统PCA的过程监控算法上做了进一步的改进分析,并结合数值仿真与实际工业过程的仿真平台研究,验证了改进后的算法的性能和有效性。本文的主要研究内容如下:(1)介绍了传统PCA算法的基本原理,监控方法。将线性的PCA方法扩展到非线性系统中,对核主元分析(Kernel PCA,KPCA)方法的推导过程进行了详细的描述,并比较了两种方法的特点。(2)针对工业过程中的常见的两类微小故障,利用滑动窗口的策略,合并窗口内的采样数据,以实现误差的累加,从而使得故障样本数据与非故障样本数据的分化更加明显,实现对微小故障的放大。该方法能够更为及时的检测到微小故障的发生,最后将其运用到数值仿真与青霉素发酵过程仿真试验中,结果表明,在放大了微小故障之后,改进算法降低了系统的漏报率,提高了检测精度。(3)在非线性系统中,针对KPCA在计算T2统计量时,各主元对于故障敏感度存在差异的问题,提出一种基于相关度分析的KPCA故障检测方法。该方法考虑了测量变量与T2统计量之间的相关度,提取其中对于故障信息更为敏感的主元,建立新的T2统计量和控制限。通过数值仿真与TE过程的仿真研究,表明了该算法的监控效果优于传统KPCA方法,提高了监控性能。