随着科学技术的发展和进步,现代工业的生产流程变得越来越复杂。这些复杂的工业过程一旦发生事故,不仅给生产带来巨大的财产损失,而且会严重威胁社会安全。因此,提高工业过程的可靠性和可维护性是一件非常重要的事情。工业过程的故障监测技术可以有效地提高系统的可靠性和可维护性,提高经济效益,降低事故风险。统计过程控制(SPC)技术是一类重要的基于数据驱动的故障监测方法,它广泛应用于各种工业过程的故障监测。为了保证过程的稳定性,在现代工业过程中加入了反馈控制技术用于减小外界因素的影响。反馈控制器会削弱故障的影响,因而统计过程监测技术对反馈控制系统的监测能力会随之减弱。因此,针对反馈控制系统,发展有效的统计过程监测技术具有重大的研究意义。本文提出了基于时序模型的反馈控制系统的故障监测方法。和传统的统计过程监测技术相比,本文提出的方法具有较低的漏检率和较快的监测率。本文研究的内容具体如下：提出了带有批间控制器的批次过程的故障监测方法,分析了指数加权移动平均(EWMA)和双指数加权移动平均(DEWMA)控制器对带有时延的批次过程的影响,采用基于数据的时序模型来描述过程的输入输出关系,然后用改进的参数重置递推最小二乘法(PRELS)实时地辨识这两个时序模型的系数,用动态主元分析(DPCA)监测经PRELS辨识后的系数,实现故障监测,最后用影响矩阵分离出故障。考虑了一般的反馈控制系统,分析了传统SPC对反馈控制系统监测时产生的一些问题,提出了一种统计实时监测技术。采用时序模型来描述一般的反馈控制系统,证明了采用递推最小二乘法(RELS)辨识的时序模型系数是平稳的,从理论上说明统计过程监测技术可以直接用于监测时序模型的系数。研究了带有时延的一般反馈控制系统,分析了设定点不变和时变两种情况。考虑了时序模型的不唯一性,提出了基于自适应最小绝对收缩选择算子(LASSO)的时延辨识方法。利用LASSO得到时延和时序模型的自回归(AR)项之后,根据最小方差指标和AR项的最大根得到系统的稳定性指标和控制器性能指标。最后采用统计过程监测技术来实时监测这些指标。提出了二维动态批次过程的建模和故障监测方法,分析了批次过程的二维动态性,采用二维的时间序列模型来描述二维动态批次过程,并利用改进的二维自适应LASSO方法辨识批次过程的二维时序模型。最后在内部矩阵和二维时间序列模型的基础上提出了二维动态批次过程的稳定性评价指标,并利用控制图来监测这些稳定性指标。最后,对本文进行了归纳和总结,并给出了未解决的问题和今后研究的方向。