信息技术的发展使得现代工业过程逐渐趋于智能化和复杂化,为保障工业过程的安全可靠,过程监测技术变得越来越重要,基于数据驱动的方法是目前该领域中的重点研究方向,其关键是如何更有效的利用工业过程中大量的过程数据进行过程监测。核可预测元分析(Kernel Forecastable Component Analysis,KForeCA)是一种新的数据特征提取方法,具有非常好的非线性数据处理能力,它在高维特征空间通过线性变换使得数据中的不确定性最小化,分解得到可预测主元空间和正交白噪声空间,并且考虑数据的时序相关性。因此,相比传统的方法,KForeCA方法可以提取具有动态时序特性和预测性的数据特征。基于KForeCA的这些优点,本文将KForeCA用于非线性故障检测与诊断领域,构造新的基于概率的监控统计量,并根据KForeCA可预测性的特点,将其用于缓慢故障的预测,对过程监测技术作了有益的探索。具体来讲,本文的主要工作有如下几个方面。1.将KForeCA用于非线性故障检测,提出基于概率的集成统计量构造方法,突出有用信息的作用,提高了故障检测的灵敏度,并将移动窗方法用于监测过程,将历史数据信息考虑到当前过程信息中,提高了过程监测的性能。2.提出基于Fisher核可预测元分析(Fisher-KForeCA)的故障诊断方法,将KForeCA提取的可预测主元,投射到最优分类方向,基于判别式最小距离进行故障诊断,避免了冗余信息对故障分类的影响,降低了故障诊断的错误分类率。3.基于KForeCA提取特征的可预测性特点,提出KForeCA-SVR的缓慢故障预测方法,用于对缓慢故障进行故障预测,有效防止该类故障带来的损失,确保过程的安全可靠。4.将基于KForeCA的过程监测技术应用于南极风电光伏数据监控系统中,对系统中蓄电池组的性能进行监测,分离性能降低的蓄电池,使得系统供电更加可靠和安全。