对于工业过程系统而言,数据模型要求建立与过程知识之间的良性循环。无论系统规模大小、线性程度、噪声强弱、开环运行或闭环运行,过程动态始终存在,是流程工业中最为本质的特性,也是过程最普遍的先验知识,这是由过程设备本身的惯性以及反馈控制的普遍应用决定的。因此,解决好动态过程的数据建模与监测问题具有重要意义。回顾过去在动态过程监测上的研究工作,其主要局限于假定工况信息已知、侧重于开环动态、简单非线性等问题上,离解决实际工业过程中存在的问题依然有一定距离。本文在已有工作的基础上,从工业实际需求出发,重点解决以下几个问题:(1)针对未知混合工况的多变量时间序列数据,以过程动态性为特征,提出了一套动态系统识别与分割,动态性能评估与诊断的技术。以动态模型之间的距离为分割指标,采用区间半分法和滑动窗结合的方法,可以快速有效定位出不同动态系统之间的分割点,并且该方法采用基于动态特征的距离而非传统方差协方差等指标划分工况,能更准确地挖掘工况信息。同时,动态性能指标被提出用以评估各个工况的运行性能,寻找历史数据中的最优工况。最后,稀疏贡献方法被提出以解决性能诊断问题,相比于传统基于变量贡献的方法,稀疏化之后的贡献能提高诊断准确率,具备更可靠的诊断结果。目前,许多高级数据建模工具都建立在工况信息已知的情况下,而该套工况划分方案也可作为这些数据技术的重要数据预处理步骤。(2)以闭环反馈系统为研究对象,分析了当前多变量统计分析方法在闭环过程监测中的本质缺陷,提出了闭环系统各个组件的故障定位方法以及基于过程滞后信息和输出过采样的故障诊断技术。传统数据驱动的监测技术大部分都假设开环数据,或不区分开环和闭环数据,在该研究中,利用闭环数据,分析了动态主元分析的故障检测与故障重构性能,证明了控制约束会导致故障检测和故障重构性能下降。对于具备纯滞后环节的被控过程,提出了基于反馈不变量的传感器故障诊断方法。对于不具备过程滞后先验知识,且面对一般性故障,提出了输出过采样的故障诊断解决方案。特别地,在子空间形式下,通过移位采样可以将闭环模型重塑为开环模型,实现有效的过程监测。以上解决方案不需要通过施加外部激励提取开环模型,解决了以故障重构贡献为基础的闭环故障诊断难题。考虑到变量贡献只能定位到故障变量或故障回路,为提供更丰富的故障诊断信息,我们也提出了一种故障设备定位方法,其目的不在于变量层面的诊断,而在于闭回路故障设备组件的诊断,如传感器故障,过程故障等。结合设备层面和变量层面的诊断信息,能提供更明确的决策支持。(3)针对带有不确定性的复杂非线性动态过程,提出了一种基于深度学习的方法学习随机非线性状态空间模型,并应用于故障检测。非线性状态转移方程以及非线性观测方程由深度前向网络实现。前向反向循环神经网络用于模拟状态的前向滤波和反向平滑。同时,结合梯度反向传播的期望最大化算法被用于训练整个模型。该模型集中考虑了复杂非线性,过程动态以及过程噪声的影响。相比于其他浅层模型,该模型能处理更强的非线性;由于采用循环神经网络估计状态,避免了序列蒙特卡洛等采样方法的应用。通过在状态空间以及残差空间中分别构造检测统计量可有效监测过程异常行为。(4)针对动态批次过程,考虑批次过程多阶段多模态特性,提出了基于线性动态系统的阶段划分方法,模态聚类方法以及处理多批次数据的期望最大化训练方法,并利用训练的模型实施故障检测。对于单个批次数据,利用动态模型对后续数据的预测效果判断工段是否切换,进而将批次划分为多个阶段;同时针对不同的批次,利用动态系统的距离指标将不同批次聚成不同模态,并对属于同一模态同一阶段的多批次数据进行重辨识,以获取相应模态和阶段的动态模型用于故障检测。