过程监测是保证工业过程安全运行以及确保产品质量的重要技术和关键手段。随着传感器技术、计算机技术的快速发展,现代工业中过程数据变得极为丰富且易于获取。为此基于数据驱动的过程监测方法得到迅速发展,其中多元统计过程监测方法在处理高维数据时具有模型简单以及易于实现的优势,受到了学术界和工业届的关注。虽然多元统计方法在过程监测领域得到了迅速发展并取得了丰厚的成果,但是现有工作大都是基于过程是平稳这一假设的。然而实际中,随着市场需求的变化、生产计划调整、外部扰动等原因,工业过程大都呈现出非平稳的特性,即一部分过程变量的统计指标如,均值、方差、协方差随着时间改变。故障信号很容易被变量的非平稳趋势掩盖,这为非平稳过程监测带来了困难。本文在前人工作基础上,深入研究了非平稳过程的特性,从解决实际问题出发,提出了一系列针对非平稳过程的统计建模、在线故障检测、在线故障诊断算法,具体工作包括:(1)针对平稳/非平稳混杂过程微小故障检测问题,提出一种基于分层建模策略的微小故障检测方法。在底层模型中,针对非平稳变量利用协整分析提取变量间长期均衡关系,建立非平稳变量的监测模型,用以检测被非平稳变量正常变化趋势掩盖的微小故障;针对平稳变量,利用主元分析提取平稳变量中的特征信息,建立平稳变量的微小故障检测模型,用以检测被平稳变量噪声等因素所掩盖的微小故障。为了衡量平稳、非平稳变量间的相关关系是否被微小故障影响,将底层非平稳变量和平稳变量的特征进行融合,建立上层监测模型。两层三个监测模型共同组成了微小故障检测模型,实现微小故障的及时检测。(2)针对过程变量数目众多的大规模非平稳过程,提出了一种变量子块自动划分以及分布式建模的精细化监测方法。首先,提出一种基于稀疏协整分析的迭代变量选择方法,将非平稳过程变量自动划分为不同的变量子块。针对局部信息提取难的问题,在每个变量子块中提取出能反应变量间长期均衡关系的特征信息,并对其分布式建模。最后,提出一种新的信息融合方法,将不同子块中最能代表该子块特征的信息进行融合,并建立全局模型以衡量不同子块间的相关关系。通过上述方法首次实现了大规模非平稳过程的分布式建模及精细化监测。(3)针对非平稳过程中闭环系统故障检测问题,深入讨论了闭环反馈系统对过程的调节作用,以及其对过程监测带来的影响。提出了一种动静态特征分解的协同建模及监测方法,创新性的利用协整分析提取变量间局部静态均衡关系和动态均衡关系,实现了局部动静态特征分解。通过对二者协同建模,消除闭环反馈控制对过程监测的影响,并区分工况切换和真实故障。(4)针对非平稳过程在线故障变量隔离问题,分析了故障变量具有稀疏性质,提出一种基于稀疏重构策略的在线故障变量隔离方法。提出了基于协整分析的重构模型,消除变量非平稳趋势对故障隔离的影响。巧妙的将Least absolute shrinkage and selection operator(LASSO)算子融入故障重构模型中,将故障变量隔离问题转化为自动变量选择问题。提出的方法无需任何历史故障数据用于离线分析和建模,可以直接在线应用实时诊断,并自动隔离出多个故障变量。上述方法针对复杂非平稳工业过程实际中遇到的各种问题,提出了新的思路和解决方案。利用百万千瓦超超临界火力发电过程、三相流过程等典型非平稳过程对所提出的方法进行验证,并与不同方法进行比较,实验结果展示了算法的有效性。最后,在总结本文研究工作的基础上,对未来工作进行了展望。