随着计算机技术与仪表技术的迅猛发展,在工业生产过程中大量过程数据被存储,基于数据驱动的过程监测与故障诊断方法得到了广泛的研究与应用,然而在众多的基于数据驱动的方法中将生产经验、专家知识与无标记过程历史数据相结合的研究较少,本文主要针对如何在保留大量无标记过程历史数据的前提下,结合生产经验和专家知识进行过程监测与故障诊断展开研究,主要的研究内容包括:(1)首先分析了基于数据驱动的过程监测方法的研究现状,提出了本文的监测策略。主要针对目前基于统计分析的过程监测方法不能利用专家知识的不足,以及监督学习方法标记工作量大,不能利用大量无标记过程数据的问题,展开基于半监督学习的过程监测方法的研究;在此基础上,对于无法直接建立半监督学习模型的相似生产过程,应用基于知识迁移的监测策略实施监测。(2)针对基于半监督学习的过程监测方法展开研究。建立基于图正则化的半监督学习模型,给出标记数据和状态标记矩阵的定义方式,利用少量标记数据结合大量无标记的历史过程数据构建邻域加权图,通过对加权图的正则性和预测标签的拟合性进行约束构建凸规划的优化函数,引入灵活的线性回归函数增强低维空间映射矩阵,即无标记数据的预测标记矩阵对原始数据的拟合性,通过求解得到无标记数据的最优预测标记矩阵和最优回归函数,利用回归函数将监测数据映射到低维空间,得到监测数据的状态标记矩阵,从而得到数据样本的状态标签,通过状态标签判断系统的运行状态。对于TE仿真过程数据和磨矿分级过程数据的监测仿真验证了方法的可行性和有效性。(3)对于生产经验和历史过程数据较少的生产过程,直接建立半监督学习模型难度较大,本文引入迁移学习方法对不同但相似的生产过程进行监测。将半监督学习中的建模数据和学习得到的状态标记矩阵作为迁移学习的源领域资源,将监测数据作为目标领域数据,基于生产过程的相似性,在迁移学习中通过协同矩阵分解提取跨领域数据的公共潜因子从而实现知识迁移,通过图的联合正则化保持数据的几何结构缓解负迁移,增强低维空间的样本表示对原始数据的拟合性,通过求解给出目标领域数据监测流程。仿真实验验证了方法的可行性与有效性。