生产过程的安全稳定以及生产产品的质量保障一直是企业在日益激烈的市场竞争中极为重视的两大目标,过程监控与故障诊断技术也是企业保障生产安全、提高产品质量的关键。传统过程监控方法过于依赖数学模型和经验知识,不足以应对现代工业复杂多变的生产监控问题。随着现代测控技术的发展以及集散控制系统的应用,大量过程数据得以采集、存储,如何合理利用数据信息,提高监控能力,已经成为工业界、学术界的研究热点。基于数据驱动的多变量统计监控方法(MSPC)不需要复杂的机理模型,仅通过统计学方法提取过程重要信息,并将其量化为相关的监控指标,便可实现对过程的监控,操作简便、可实施性强。然而,MSPC通常以过程数据符合高斯分布以及时间序列无关等约束条件为前提,实际生产过程又往往不满足上述约束限制。本文研究因子分析(FA)及其工业过程监控领域的应用,并针对复杂工业生产过程变量存在非高斯性、动态特性等情况,提出改进算法及解决方案,主要工作以及创新贡献如下:1:基础知识方面,首先介绍了FA的理论背景及其同PCA、PPCA的区别与联系;其次介绍基于期望最大化(EM)算法的模型参数计算方法,并建立概率模型;最后,介绍基于FA的过程监控方法,主要包括以下步骤:标准化数据处理,选取因子数,确定因子、噪声以及观测向量本身的监控指标。TE过程的仿真结果验证了此方法的有效性及优越性。2:动态过程监控方面,验证了工业过程的动态特性,并针对此特点,以及现有的基于自回归(AR)方式的过程变量扩展方法的不足,提出两种改进的基于自相关分析的动态因子分析监控方法,从而将静态FA推广到动态多变量过程。TE过程的仿真结果证明此方法有效提高了过程监控性能。3:非高斯分布过程监控方面,针对现有方法基于独立元分析(ICA)的方法为无噪模型以及基于高斯混合模型(GMM)的方法多以PCA、PPCA方法为基础的缺陷,将独立因子分析方法(IFA)引入过程监控领域。此方法结合了FA、ICA等方法的优点,化工吸附分离过程的应用实例表明此方法可以有效解决非高斯过程监控问题。4:提出一种动态独立因子分析过程监控方法,解决了工业过程变量同时满足非高斯分布以及强自相关性的监控难题。应用研究表明,与单一的动态过程、非高斯过程监控方法相比,新方法具有更强的优越性。