工业过程中总是不可避免的存在多种异常状态,影响生产过程,进而影响产品的质量和产量,甚至造成人力和财力上的巨大损失。目前对工业异常检测过程多采用单层的多元统计方法,仅从原始数据中提取一层特征信息,缺乏对更深层次信息的挖掘。对此,本文利用多种多元统计监控方法并结合深度学习的思想,对工业异常检测系统进行了设计和开发。主要开展的工作如下:(1)对PCA、KPCA、RPCA这三种单层多元统计分析方法在TE过程的异常检测中的性能进行了对比分析,指出单层多元统计分析方法难以分析复杂异常的缺点,引入多层网络的解决方法。(2)针对工业过程数据存在的时序性问题,本文以状态空间模型作为动态层,来获取状态特征矩阵。第一层网络对状态变量的均值和方差进行特征提取,作为第二层的输入。第二层网络对其偏度和峰度进行特征提取。输出层是对两层特征进行融合,计算融合后的统计量,来进行异常判断。最后通过对TE过程的仿真测试,对几种算法的实验结果进行了对比分析,验证了ssPCANet方法应用于过程运行数据驱动的异常检测的可行性和有效性。(3)本文针对工业过程数据的异常检测设计了一个过程监测系统,主要包括面向工业过程数据异常检测算法的数据分析部分和针对工业过程数据异常报警和结果展示的UI界面。通过异常检测算法分析系统的运行状态,以及发生异常的异常源,并设计一个UI界面,对实时数据,分析结果进行展示,同时在发生异常时能及时地发出报警。