过程监控是工业过程中一个非常重要的问题,它对确保工业过程持续安全运行有着至关重要的作用。过程监控的核心问题之一是特征提取,如何提取工业数据的本质特征是提高故障检测正确率的关键。过程监控的特征提取方法虽然取得了较好的进展,但仍然存在一些亟待解决的问题,如非线性问题、鲁棒性问题、故障样本利用问题以及训练样本有限问题。自动编码器(Auto-Encoder,AE)是一种典型的无监督机器学习方法,能够自动提取复杂的非线性和鲁棒性特征,其结构灵活易于改进,非常适用于解决复杂多变的工业过程问题。本文针对目前过程监控中特征提取方法存在的问题,将自动编码器用于过程监控的特征提取环节。主要包括以下内容:(1)针对数据特征提取的非线性和鲁棒性问题,提出了基于AE的统计过程监控算法,介绍了检测统计量的构造过程和原理、核密度估计方法以及算法流程,该方法应用于TE过程,能够从工业数据提取出鲁棒性更强的特征,进而改善过程监控的效果和提高故障的检测正确率;(2)针对数据的内在结构和流形特性问题,将嵌入式流形学习算法融入自动编码器,提出了基于Embedding-AE的特征提取方法,该方法能够利用正常样本和故障样本之间的近邻关系影响输入样本的特征分布,从而提高特征空间和残差空间的聚类能力,进而改善过程监控的效果;(3)针对训练样本有限的问题,提出了一种基于对抗自动编码器(Adversarial Auto-Encoder,AAE)的统计过程监控方法,利用对抗训练的思想学习样本的分布特性,提高模型的鲁棒性和泛化能力。最后实验结果表明基于AE模型的特征提取方法能够改善过程监控的效果。