在现代工业系统中,对于生产过程的实时监控是非常有必要的,统计过程监控是故障检测的一种方法,它的核心是特征提取,提取工业数据内在的本质深层特征是改善过程监控效果的关键。传统的过程监控方法存在着无法提取非线性特征、鲁棒性低、泛化能力弱和样本有限等问题,自动编码器通过重构输入提取到的特征具有非线性和鲁棒性,但是其简单的结构限制了它特征提取的能力。本文针对无法提取工业数据本质流形特征、泛化能力弱以及样本有限等问题,在自动编码器的基础提出了几种统计过程监控方法。(1)考虑到工业数据存在流形特性,提出了一种基于流形嵌入自动编码器的统计过程监控方法,将原始样本的近邻关系通过流形学习算法嵌入到自动编码器中,能够改变样本的特征空间分布,提高模型在特征空间的判别能力,从而改善过程监控的效果。(2)针对工业数据集样本量有限问题,提出一种基于分布来进行过程监控建模的新颖想法,深度生成模型能很好地对分布进行学习,生成对抗网络(GAN)是近几年效果很好的深度生成模型,因此提出一种基于对抗自动编码器(GAN变体)的统计过程监控方法,另外针对性地提出了两个指标MSE(矢量均值误差)和Var(均值方差)来衡量生成样本的质量。(3)降噪自动编码器迫使加噪的输入重构回原始输入以提取鲁棒性更强的特征,基于此想法引入降噪对抗自动编码器,它保留了AAE的对抗训练方式,使后验分布逼近先验分布,同时,通过加噪的方式正则化隐层特征向量,使拟合的隐层向量鲁棒性更强,因此基于降噪对抗自动编码器学习到的样本分布建立的过程监控模型也更加合理有效。