现代工业的特点是生产过程中大量过程数据被存储下来,但如何利用这些数据却是一个难题。在这种背景下,基于数据驱动的过程监测与故障诊断方法得到了广泛的研究与应用,然而在众多的基于数据驱动的方法中,将生产经验、专家知识与无标记过程历史数据相结合的研究较少,在保留大量无标记过程历史数据的前提下,本文结合生产经验和专家知识进行过程监测与故障诊断研究。主要的研究内容包括:(1)首先分析了基于数据驱动的过程监测方法的研究现状,提出了本文的整体监测策略。由于目前基于统计分析的过程监测方法不能利用专家知识,监督学习方法标记工作量大,不能利用大量无标记过程数据,确定半监督学习方法作为本文研究的的过程监测方法。(2)研究了针对属性噪声的半监督学习过程监测方法。在实际的磨矿分级生产过程中,由于外界环境变化、设备内部振动以及传感器灵敏度等因素的影响,使得生产数据附加了各种噪声,严重影响了过程的监测效果。由于L1范数正则化技术在去除噪声有很多应用,因此建立基于L1范数正则化的半监督学习模型,在一定程度上减弱工业数据中的噪声对过程监测的影响。利用少量标记数据结合大量无标记的历史过程数据构建邻域加权图,之后建立优化目标函数,优化目标函数后可以得到监测数据的状态标签。对磨矿分级过程数据的监测仿真验证了方法的鲁棒性和有效性。(3)研究了针对标签噪声的半监督学习过程监测方法。在半监督学习建模过程中,样本标记是一个关键的过程,因为标签对以后的学习过程有指导的作用,若标记错误,会使算法性能下降。但由于知识的不足或者人为的疏忽,标记错误有时候是难以避免的。因此研究如何在算法层面上处理该问题,可以在一定程度上减弱标签噪声对过程监测准确度的影响。对磨矿分级过程数据的监测仿真验证了方法的鲁棒性和有效性。