随着当代化工生产过程日趋复杂,社会生产力的需求不断增加,生产规模日渐庞大,自动化机械生产程度越发普及,完善的过程监控系统可及时发现生产过程中的故障,为企业发展提供安全可靠的技术保障,在减少原材料浪费情况下又提高了产品收益,成为大多数工业生产必备的一套监控系统。在非线性过程监控中,存在许多过程故障难以监测及识别等问题。本文以多元统计及核密度估计方法为核心对工业化工过程监测及其故障识别展开了研究。主元分析法（Principal Component Analysis,PCA）是多元统计过程中的一种比较基础的故障监控方法,该方法对原始数学模型不做太多处理,仅需通过映射函数投影后的数据即可进行故障分析。尽管PCA广泛应用于故障监测的研究中,但其只能局限于线性系统内的故障监控,对处理非线性系统中存在的故障显然不适用。由于核学习具有强大的泛化能力,许多学者将其引入到非线性过程故障监控中。核主元分析法（Kernel Principal Components Analysis,KPCA）是非线性故障诊断与识别技术中应用最普遍的方法,其原理为将原始数据通过核函数从低维空间映射到高维特征空间后,在高维空间对数据实施主元分析。该方法省去了其他监控方法冗杂的计算量,仅需处理高维特征空间中的特征值。KPCA中核参数的选择严重影响过程数据的监控性能,可利用先进优化算法如粒子群算法能理想地解决KPCA中核参数选择问题。但当非线性过程存在较小扰动时,KPCA监测效果会出现不及时或漏报情况,针对该情况提出了自适应移动窗核主元分析方法（Adaptive Kernel Principal Components Analysis,AKPCA）。为进一步缩短监测时间及提高故障检出率等性能,将AKPCA与核密度估计（Kernel Density Estimation,KDE）相结合的非线性过程故障监测与识别方法（Adaptive Kernel Principal Components Analysis-Kernel Density Estimation,AKPCA-KDE）。借助田纳西-伊斯曼过程平台（Tennessee Eastman,TE）作为仿真实验平台,综合对比分析了其故障诊断率、误报率、漏报率等监控性能。主要研究内容及结论如下:1、本文先后介绍了PCA与KPCA的监测方法,以TE仿真平台的故障为例进行对比实验,PCA还存在许多漏报误报现象,而从KPCA的故障监测图中可以看出,KPCA没有出现误报情况,KPCA方法在处理非线性问题上相对于PCA方法具有明显的优势。2、本文结合PCA、KPCA及可变移动窗口的基本原理,提出一种移动窗AKPCA监测方法,以减少在真实化工环境中缓慢的过程变化对监控模型的虚假报警率。该方法的基本思想是首先采用多元指数移动平均值（Multiple Exponential Moving Average,MEM A）来预测过程均值偏移,然后将估计的均值偏移与KPCA提取的分量相结合,以构建自适应监测统计量。仿真实验表明,通过更新每个步骤中移动窗口的大小,同时更新缩放参数、遗忘因子、控制限和监控模型,且可进一步避免传统PCA在时变监控过程中容易丢失重要信息的问题。3、针对传统的KPCA采用高斯分布的控制限（Control Limits,CLS）会降低其监测性能的问题,本文采用核密度估计方法来确定移动窗AKPCA控制限,将移动窗AKPCA与核密度估计相结合（Adaptive Kernel Principal Components Analysis-Kernel Density Estimation,AKPCA-KDE）用于非线性过程故障监测与识别。将该方法应用于TE过程仿真监测,AKPCA-KDE对所有21个故障的检出率发现,与KPCA采用高斯分布的控制限方法进行比较,AKPCA-KDE具有更高的故障检出率;且该方法的检测延迟等于或小于其他方法。通过改变KDE的带宽和保留的主元数量进行故障监测与识别,传统的KPCA记录的误报率（False Alarm Rate,FAR）值较高,而AKPCA-KDE方法没有记录任何虚假警报。显见AKPCA-KDE具有更好的监控性能,为工业过程监控提供了一种新的监测和故障识别方法。