工业过程监测是保障生产过程安全、提高产品质量的关键技术和有效途径,随着现代工业过程中数据采集、传输、以及存储技术的迅速发展,工业过程数据变得极为丰富,基于数据驱动的工业过程在线监测技术得到迅速发展。由于多元统计分析技术在特征挖掘与提取中的优秀性能,基于多元统计分析的过程监测(Mutivariate Statistical Process Monitoring,MSPM)方法已成为工业过程监测领域的研究热点。然而,传统的MSPM方法已不能完全适用于现代大规模多操作单元工业过程的监测,如主成分分析(principal component anakysis,PCA)、动态主成分分析(dynamic PCA,DPCA)、以及核主成分分析(kernel PCA,KPCA)等。对大规模工业过程进行监测时主要存在如下问题:首先,故障非相关特征的存在会造成监测冗余;其次,子系统划分是决定故障检测效果的关键,而传统方法则未考虑故障信息;另外,大规模多操作单元过程的监测不但需要监测整个过程的状态,也需要监测每个操作单元的状态,而传统方法则未区分操作单元的独立特征与整个过程的联合特征。由于上述问题的存在,导致传统监测方法监测性能降低。本文针对现代流程工业具有的规模大、操作单元多、监测变量多等特点,以及监测存在的有效故障相关特征选择问题,融合故障信息的子系统划分问题,大规模多操作单元过程的监测等关键问题,从故障相关特征提取与选择的思路出发对监测方法进行了研究,并提出了相应的改进优化监测策略,主要研究内容和取得的创新成果如下:(1)针对PCA大规模工业过程监测中存在的故障不相关主元造成监测冗余的问题,首先,在多元统计假设检验的框架下,从理论上分析了主成分选择对PCA过程监测效果的影响,夯实了PCA过程监测的理论基础;其次,充分利用过程故障信息,提出了基于性能驱动故障相关成分选择和故障相关主元空间重构的策略,用以消除监测冗余,从而有效改善了PCA对于大规模过程的监测性能。在数值仿真过程和Tennessee Eastman(TE)标准测试平台的应用,验证了所提出方法针对大规模、线性、高斯过程的有效性。(2)针对DPCA大规模动态过程监测中存在的故障不相关主元造成监测冗余的问题,首先,在多元统计假设检验的框架下,从理论上分析了动态主成分选择对DPCA过程监测效果的影响;其次,充分利用过程故障信息,提出了基于性能驱动故障相关成分选择和故障相关主元空间重构的策略,有效改善了DPCA对于大规模动态过程的监测性能。在数值仿真过程和TE标准测试平台的应用结果,验证了所提出方法针对大规模动态过程的可行性和有效性。(3)针对KPCA大规模非线性过程监测中存在的故障不相关核主元造成监测冗余的问题,首先,在多元统计假设检验的框架下,从理论上分析了核主成分选择对KPCA过程监测效果的影响;其次,利用过程故障信息,提出了基于性能驱动故障相关核主成分选择和故障相关核主元空间重构的策略,有效改善了KPCA对于大规模非线性过程的监测性能。在数值仿真过程和TE标准测试过程中的应用效果,验证了此方法针对大规模非线性过程进行监测的有效性。(4)针对大规模动态过程分布式监测的子系统划分与Bayesian故障诊断系统有效证据源选择问题,首先,从理论上分析了变量选择及子系统划分对于DPCA过程监测性能的影响;其次,充分利用过程故障信息,提出了基于性能驱动故障相关变量选择的子系统划分方法;最后,针对Bayesian故障诊断系统中存在的非区分证据源干扰故障判别问题,提出了基于证据源选择的改进Bayesian故障诊断系统,将其与分布式DPCA相结合,形成了针对大规模动态过程的分布式故障检测与故障诊断方法。在数值仿真过程和TE标准测试过程中的应用结果,验证了此方法针对变量众多的动态过程进行监测的有效性。(5)针对大规模多操作单元工业过程的整体与局部监测问题,首先,提出了基于多重集典型相关分析的过程监测方法,将每个局部操作单元的监测变量投影到一个全局相关空间和一个独立特征空间,进而提取每个操作单元的联合特征以及独立特征,并分别对其进行监测;其次,在多元统计假设检验的框架下,从理论上分析了所提方法的优越性,同时通过仿真实验进行了验证。最后,对基于多元统计分析的大规模过程在线监测领域的未来工作进行了展望。