随着近些年大规模生产过程的现代化发展,大量的操作单元和装置被广泛应用在工厂生产过程中,使得工业过程愈加复杂化,这对于过程监测技术提出了更高的要求。鉴于控制技术和工业传感器的飞速发展,设备运行状态的数据可以通过智能传感器采集到,建立数据驱动的监测技术可以有效的分析设备的运行状态和过程的变化。因此,以主元分析（PCA）为代表的多元统计过程监测（MSPM）技术取得了广泛的应用。但是由于过程自身的惯性,工业过程的操作变量始终受过程的动态特征影响,随时间变化呈现高度自相关和互相关;此外,由于操作单元和生产过程的波动,测量变量通常存在严重的非线性,这对于过程监测提出了更高的要求。随着动态核主元分析（DKPCA）的提出,具有动态非线性特征的工业过程得以监视。但是DKPCA自身存在的局限性,限制了其进一步推广使用。回顾动态非线性特征工业过程的研究工作,本文针对工业流程的发展及现有待解决的问题,分析DKPCA方法存在的局限性并研究故障检测技术,并将主要的研究工作和取得的成果简述如下所示:1.针对基于历史样本建模的DKPCA方法缺乏故障样本特征,导致监测性能受影响的问题,提出滑窗动态核主元分析模型及故障检测方法。通过智能选择在线样本,移动窗口的长度也随之自适应调节。随着协方差矩阵的自适应更新,监测模型通过自适应的在线学习,实现自适应的更新。提出的MWDKPCA适用于动态非线性过程,且提高了监测模型的性能。2.针对DKPCA存在的计算复杂度问题,降低了过程监控的效率和可靠性,提出快速动态核主元分析方法及故障检测模型以降低DKPCA方法的计算复杂度。考虑到数据样本的维度过大影响时滞矩阵和动态核矩阵的特征分解和求逆运算,在进行DKPCA建模前,利用FVS在保留样本数据空间结构的同时提取数据样本的特征以消除冗余变量。建立的FVS-DKPCA方法显著降低了过程监控的计算复杂性并增强了故障检测性能,提高了DKPCA的泛化性。3.针对DKPCA作为一种全局降维方法,不能保留数据样本的局部信息,导致监控性能下降的问题,提出全局局部分析的动态核主元故障检测方法。首先通过分析PCA的原理进而揭示了全局降维分析方法的局限性,再结合局部分析方法的广泛应用,开发了一种动态核局部保留投影算法（DKLPP）,进而提出适用于动态非线性过程的全局-局部分析方法。实现全局方差信息的提取以及局部细节信息的保留,提高了过程监控的性能。4.当前的工业过程向着规模化发展,采集的工业大规模数据呈现超高维、强相关的特征,传统的集中建模处理方式会丢失大量的工况信息,过程监测性能因此受到影响。提出了分布式加权的动态核主元故障检测方法,提出的分布式算法将过程变量划分为几个块,在每个块中分别建立DKPCA监测模型。此外,为了进一步分析变量时序相关性对过程的影响,赋予每个变量不同的时滞以全面刻画过程动态特性的影响。最后结合贝叶斯融合方法将每个块的检测结果融合,实现了大规模工业过程的动态建模监控。5.针对配网变压器故障的预防和检修中,电网云计算平台面临的冗余数据挑战,基于历史训练数据的故障检测模型易发生模型失配问题。研究基于边缘计算的数据动态特性分析及模型自适应更新技术,建立基于边缘计算的变压器故障检测及分类系统。根据实时采集的数据修正更新监测模型,解决模型失配问题;数据分析在本地边缘计算层完成,满足数据实时分析处理和低延时的业务需求,有效减轻云端负荷,提高检修工作效率。本文立足于过程监测领域的动态非线性工况监测研究,以工业过程和信息技术的结合应用为出发点,旨在针对DKPCA在实际工业过程的运行中存在的局限性,提出新的建模方法,以适应当前的需求。最后建立的基于边缘计算变压器故障检测系统为配网变压器故障检测与分类提供了一种新的解决思路。