工业生产的过程监测与故障诊断一直是流程工业系统关注的主要问题之一。它通过监测生产过程的运行状态，及时检测故障发生、过程干扰以及其它的异常工况，定位并诊断引发故障的原因变量，从而保证生产过程安全运行，提高产品质量和生产效率。目前，随着流程工业CIPS(Computer Integrated Process System)的发展，大量的过程数据被及时采集和存储，因此，如何充分利用这些数据的深层次信息，提高过程监控能力，逐渐成为过程控制领域的研究重点之一。传统的多变量统计监控方法多采用主元分析PCA(Principal Component Analysis)，偏最小二乘分析PLS(Partial Least Square)等方法，这些方法在假设变量独立同分布的同时，还要求变量服从正态分布，并且利用的仅是二阶统计量信息。独立成分分析方法(ICA，Independent Component Analysis)是一种基于高阶统计量的信号分解方法，将其用于流程工业的过程数据分析处理，能更有效地利用变量的概率统计特性，可以在统计独立意义下对观测变量进行分解，得到过程内在的驱动信息源，从而更本质地描述过程特征。 本文以独立成分分析ICA为基础，针对流程工业中连续和间歇两种生产方式的特点，对传统PCA监控方法进行了改进，提出了一些新的基于ICA方法的工业生产过程监控算法，具体包括以下几个方面： (1) 提出一种基于独立成分分析(ICA)的连续工业过程系统监控方法。采用非高斯最大化判据从观测变量中分解出相互独立的非高斯变量(独立成分分量)，它满足统计意义下的独立特性，而不仅仅是PCA所要求的不相关。进一步，通过非高斯度排序思想确定选取的独立成分分量数，并建立相应的统计控制置信限，用于连续工业过程系统的监控。Tennessee Eastman过程的仿真研究表明，独立成分分析方法具有更好的监控能力，能够更及时地监测出故障的发生，同时对主元分析方法PCA不能发现的故障，亦有较好的监测效果。 (2) 提出一种基于字符串匹配的故障识别方法。通过ICA分解获得独立成分分量，将其在不同工况运行下的状态转换为用字符串表示，从而将故障类型的识别问题转换为字符串的匹配问题。字符串匹配方法仅由数据驱动，既不需要充足丰富的训练数据也不需要建立过程模型，实施起来简单方便。Tennessee Eastman过程的仿真结果表明11浙江大学博士学位论文了该方法的可行性和有效性。 (3)提出了一种步进多向主元分析的间歇工业过程系统监控方法。通过建立一系列的MpCA模型避免了传统多向主元分析方法(Multi一w叮prineipal ComponentAnalysis，MPCA)在线监控时需要预测过程未来输出的不足，同时所引入的遗忘因子还可以自然扩展到多阶段间歇过程。对多阶段链霉素发酵过程的监控仿真表明，相对于传统的MPCA，步进 MPCA能够更快地监测出过程的异常工况，同时能及时反映出操作人员为消除异常工况所作出的调整。 (4)提出一种ICA一MPCA的间歇工业过程系统监控方法。通过将观测变量转换为互不相关的独立成分之后，可以自然地对非正态分布的观测变量建立统计模型，以及确定单变量和联合分布的统计控制置信限;同时，又避免了MPCA方法针对非正态分布的多维非参数概率密度估计问题。将所提出的ICA一MPCA方法应用于间歇青霉素发酵过程的仿真监控，结果表明了JCA一MPCA方法的可行性和优越性，有效扩展了传统MPCA监控方法的应用场合，尤其是对过程变量不满足正态分布的情况下，能够准确地对过程进行监控。 最后，在总结全文工作的基础上，讨论了基于数据的统计监控方法在理论及应用上有待进一步研究的若干问题。关键词:独立成分分析;主元分析:过程监控;故障诊断;统计过程控制;流程工业