随着工业过程的不断发展,生产规模的不断扩大,有效的过程模型和故障检测是确保实际工业生产过程安全运行、产品质量优异和增加经济收入的关键。从复杂工业过程中采集的数据往往具有非线性、动态性和时变性等特性,而传统规范变量分析存在无法有效处理上述数据特性的缺点。本文针对工业过程的数据特性,采用基于子空间辨识方法中的规范变量分析进行深入研究,总结研究了一系列工业过程递推建模和在线检测方法。主要工作和贡献有以下几个方面:(1)针对系统中传统闭环子空间辨识方法在有色噪声干扰下产生估计偏差的问题,研究了基于正交分解的递推子空间辨识方法。根据闭环系统状态空间模型和数据间投影关系,构建确定的状态空间模型,并利用矩阵GIVENS旋转变换实现投影向量的递推QR分解;之后,引入带有遗忘因子的辨识算法,构建广义能观测矩阵的递推更新形式;再通过最小二乘法递推估计出参数矩阵;最后采用三阶状态空间模型的开环数值例子验证了算法能求得系统矩阵特征值的一致估计,实现当系统中存在有色噪声干扰时,闭环系统辨识模型能够得到无偏估计。(2)针对传统的子空间辨识方法均采用批处理形式,不利于工业过程中系统模型的在线辨识和递推估计,因此提出了基于规范变量分析递推子空间闭环辨识算法。通过利用基于QR分解的滑动窗口法,将加入数据和剔除数据操作相结合,实现了一种高效的滑窗QR分解算法,降低了计算的复杂度,进一步提高了运算效率,实现递推更新投影数据矩阵;然后,利用子空间辨识信号跟踪处理方法避免奇异值分解运算来递推更新扩展的可观测矩阵,从而实现基于规范变量分析法的能够得到系统矩阵特征值一致估计的递推子空间闭环辨识方案;最后将提出的辨识方法应用于连续搅拌釜反应过程进行仿真研究。仿真研究表明,此方法不仅可以保证辨识过程的高效性,而且具有比基于传统CVA的建模方法精确度高,为实现工业过程系统的在线辨识递推估计提供了保障。(3)针对工业过程的动态和时变数据特性,将提出的方法应用于工业过程的故障检测,研究了基于规范变量分析的时变过程在线故障检测和识别方法。通过信号子空间跟踪等理论实现递推奇异值分解,减轻了运算的计算负荷。并设计了基于加权变量贡献的故障识别方法,将提出的方法应用于连续搅拌釜反应系统进行故障检测。仿真验证表明提供的这种有效的时变过程故障在线检测方法的有效性,降低了基于传统规范变量分析故障检测方法的误报率,具有一定的理论意义和实际应用价值。