工业过程系统日趋复杂化与精细化,从而使得控制系统日益复杂,控制性能要求更为严格。构建复杂系统往往需要高昂成本,需要长时间稳定服役才能保证投入的经济回报。另外复杂性会导致故障产生的可能性增加,一旦出现异常,可能会产生严重的事故和经济损失。异常事件管理,包括性能监控和故障的诊断成为现代控制系统中不可或缺的组成部分。针对多变量系统,多变量统计过程控制(MSPC)已经有一些工具和算法,但是对于耦合性以及有严重非线性的系统,故障诊断和传播分析仍然是一个开放性领域。本文就复杂工业过程的控制性能监控与诊断领域中的几个关键问题做了研究,主要内容如下：1,经典的PCA算法无法灵敏的检测出系统的细微故障,导致它不能对故障进行早期预警。为此,本文结合统计局部方法改进了基于PCA的性能监控方法。针对PCA分解后的残差空间,提出了一个新的监控统计量使得它能更好的适用于数据协方差阵奇异的情况,提高了该方法在数值计算中的鲁棒性。本文经过详尽的分析从理论上证明了改进的PCA算法相对于普通PCA算法对于性能监控具有更好的敏感性。同时,针对基于历史数据基准的性能评估,提出了一种直接分析改进残差均值的性能评估方法,可以在检测到系统性能发生变化后进一步分析各个特征方向上的性能变化趋势。2,提出一种新的因果测度方法并用于大规模控制系统故障信号的传播路径分析。扰动或者振荡信号会由于厂级回路的耦合进行传播扩散,进而影响到整个生产过程。本文结合因果分析的概念和时间序列的排序处理方法,提出用于检测时间序列耦合强度和方向的符号化有向互信息。将时间序列经过大小排列进行编码,得到符号化序列。计算该对序列引入时间错位的互信息,称为有向符号化互信息,作为测度两个序列耦合强度和方向的因果指数为有向符号化互信息之差。通过因果指数可以计算变量两两耦合的强度和方向,进而可以分析多变量的信息传播途径。3,提出了针对线性多变量模型预测控制(MPC)系统的模型失配检测与定位的方法。模型失配是引起MPC性能下降的主要因素之一。针对现有MPC系统的双层结构,首先对多变量预测控制层采用子空间辨识方法检测出整体的模型失配。针对基础控制层,提出两种可选的模型失配检测方案。一种是在设定点施加外部激励信号,通过计算激励信号与模型预测残差的相关系数得到适合于统计局部方法的残差信号。另一种非侵入式的模型失配检测无需外部激励信号,根据ARMA模型中AR部分参数的辅助辨识方法构建残差,使之适用于统计局部方法,进而检测模型失配。以上两种方法均可区分过程模型和扰动模型的改变4,针对非线性多变量系统,提出基于互信息的模型失配检测与分析方法。现有的Kalman滤波方法和相关性分析方法均不适用于非线性多变量系统的模型失配检测。互信息可以作为一种广义的随机变量相关性测度工具,反映了两个随机变量的相互依赖性。通过引入信息流的概念,可以有效地分析外部激励信号在系统中的信息流向与模型误差的关系,进而利用激励信号与模型预测残差的互信息分析并定位多变量系统中产生模型失配的子系统。