近年来,随着科学技术的不断进步,工业生产的科技水平不断提高,越来越多的生产呈现智能化、数字化和网络化。因此,对于生产和产品本身的可靠性与安全性以及高质量、高性能的要求成为广泛关注与高度重视的研究课题。大型工业生产过程中,一旦发生严重故障,故障所带来的经济损失与环境污染是非常直观且恶劣的,因此工业过程中对于故障的及时检测、识别与处理至关重要。由于生产工艺结构复杂度越来越高,工业生产过程日渐繁琐,导致工业复杂化成为现代工业发展的一个重要的表现特征。相应的,工业过程中产生的实时工业数据也表现出动态、多模态、非线性、非高斯、高维度等复杂的数据特征。如何在解决过程数据的复杂结构的同时实现更灵敏的检测出故障情况,成为值得深入思考的问题。本论文针对工业数据中的各种复杂数据特征,基于数据驱动的多元统计方法对工艺生产过程进行有效的过程监控及故障检测,不同的数据特征运用不同的处理策略来进行处理与优化,使其满足过程数据建模与检测的需要。本文在以往研究的基础上,针对不同的复杂数据特征进行深入的思考与实验,研究内容如下:1.针对传统线性过程的故障检测研究,经典的PCA算法运用广泛。但现代工业生产过程中大多数为非线性工业过程,所产生的过程数据也很难具备理想的线性特征,因此本文提出更换一种更新颖的故障监控算法—主多项式分析法（Principal polynomial analysis,PPA）,使用PPA来代替传统的PCA算法,拟解决数据的非线性数据特征。PPA算法是传统PCA算法的一种拓展方法,通过增加多项式来拟合提取过程数据的非线性特征,使用曲线投影方向来代替传统的正交变换方向,达到了在非线性数据中大大提高了故障检测效率的目的。但是PPA算法仅适用于处理非线性数据,如果面对同时存在的多种复杂数特征,比如过程数据具备非线性数据的过程中同时具备多模态的问题,在PPA算法的使用中需要进一步探讨。2.针对非线性数据同时存在多模态与非高斯等复杂数据特征的情况,本文在研究PPA方法的基础上融合了新的预处理方法,提出一种双局部近邻标准化的主多项式分析法（Double local neighborhood standardization and Principal polynomial analysis,DLNS-PPA）,DLNS-PPA方法在具备多个模态的非线性数据中故障检测效果优良。普通的数据预处理方法LNS法虽然能消除过程数据的非高斯特征,但是也会存在当样本邻域集中的数据同时分布于多个模态中时,故障数据无法与正常数据及时分离的缺陷。但是改进的预处理方法即DLNS方法,能够有效的解决这种缺陷。DLNS-PPA方法在寻找单层近邻集的基础上再次寻找第二层近邻集,能够有效的避免了邻域集中样本跨越模态的问题,经过预处理后的数据成功由多模态转化为单模态并且消除了非高斯特征。在此基础上结合PPA算法可以将复杂数据的非线性特征提取出来,然后通过构造统计量进行过程监控,经过TE过程数据的仿真实验,结果表明,DLNS-PPA方法的故障检测效率明显大幅度提高,与传统的故障检测算法相比较,表现出较好特性。3.复杂工业过程中产生的非线性数据中除了非高斯、多模态等特点,有时还会包含具有时序相关关系的动态数据特征。比如工业过程中的青霉素发酵过程,产生的就是具备动态性质的数据,传统的稳态方法对于这种复杂数据已经不再适用。为了解决此类问题,本文提出一种动态局部邻域主多项式分析（Dynamic Nearest Neighborhood Standardization Principal Polynomial Analysis,DNSPPA）的故障检测算法。DNSPPA方法在预处理的步骤中引入一个动态的时间窗,时间窗可以达到消除数据时序关系的目的,然后针对时间窗中的样本数据进行近邻标准化的操作,经过预处理的步骤,过程数据中的动态与多模态特征均被有效提取出来,复杂数据得到了理想的优化。通过进一步使用PPA基础算法处理非线性数据,计算T~2与SPE统计量并进行故障检测。最后通过青霉素过程数据进行检验验证,DNSPPA算法能够及时的检测出复杂数据中的故障样本,表明算法应用于具备动态特征的过程数据时,故障检测的准确度高且稳定性强。