随着信息化和工业化的深度结合,工业系统的自动化、复杂化、智能化水平进一步提高。同时,工业系统故障检测与诊断技术也取得了长足进展。基于多元统计分析的故障检测与诊断方法凭借系统过程数据即可实现过程监控,因此该方法逐渐成为众多学者的研究方向。本文主要探讨研究了具有非线性、多模态、动态性等特征的工业系统的过程监控问题。本文的主要研究内容概括如下:（1）针对化工生产中的多模态故障检测问题,提出了局部预测主元分析（LP-PCA）的故障检测方法。首先,对训练样本进行局部预测并应用PCA将局部预测样本和训练样本映射到预测空间;然后,在预测空间中计算出训练样本与预测样本的差异信息;接下来,在两个预测子空间中建立新的统计量监控样本的状态。最后,对检测出的故障样本进行诊断分析。LP-PCA方法能消除离群值对PCA降维时的影响。差异信息能够将微弱故障放大,同时新的统计量检测效果比传统的统计量更优越。将LP-PCA方法与传统PCA方法在数值例子和化工过程中进行测试,实验结果验证了LP-PCA方法的有效性。（2）针对动态主元分析方法中残差自相关性降低过程故障检测率问题,提出基于动态主元分析残差互异度的故障检测与诊断方法（DPCA-Diss）。首先,应用DPCA计算动态过程数据的残差得分,接下来,应用滑动窗口技术并结合互异度指标来监控过程残差得分状态,最后,利用基于变量贡献图的方法进行过程故障诊断分析。本文方法通过DPCA捕获过程的动态特征,同时互异度指标区别于传统的平方预测误差,可以有效地对具有自相关性的残差得分进行过程状态监控。通过一个数值例子和TE过程的仿真实验并与传统方法对比分析,仿真结果进一步证实了本文方法的有效性。（3）针对非线性过程的故障检测问题,提出一种基于邻域保持嵌入的非线性过程故障检测方法。首先,通过NPE方法计算训练数据集的得分矩阵,称其为样本的本质得分。然后,在训练数据集计算每个样本的K近邻均值,并将其投影到低维空间以获得样本的估计得分。最后,在差分子空间中建立新的统计量对样本进行过程监控。将该方法在数值例子和TE过程中进行测试,并与PCA、KNN和NPE等传统方法进行对比分析,测试结果验证了该方法的有效性。（4）针对多模态间歇过程在线故障检测问题,提出一种基于多向邻域保持嵌入和高斯混合模型的故障检测方法（MNPE-GMM）。首先,采用默认的窗宽获得窗口数据。接下来,应用MNPE计算当前窗口数据的得分。然后,利用GMM确定得分的高斯元。最后,提出了一种新的监控指标来监测过程状态。MNPE-GMM不仅能在特征子空间中保持窗口数据集的大部分局部结构信息,还能降低GMM在故障检测过程中的计算复杂度。MNPE-GMM方法通过引入新的统计量,可以有效地提高多模态间歇过程的故障检测率。通过数值例子和半导体刻蚀过程验证了本文方法的有效性。