现代工业随着技术的不断进步对系统的安全性和可靠性催生了更高的要求,故障诊断技术因此也逐渐发展起来。舵机是民用飞机飞控系统的核心执行机构,驱动升降舵、副翼和方向舵等舵面的偏转,实现对飞机姿态和轨迹的控制。由于其复杂的非线性闭环系统结构,舵机属于故障易发系统。而民用航空的运行对机载部件的安全性和可靠性要求极高,因此研究基于数据驱动算法的间歇过程故障诊断及舵机状态监控技术意义重大。论文以舵机为研究对象,基于现有故障诊断技术,从近邻传播聚类分析、主成分分析和多向主成分分析三个方面系统研究了基于过程的多元统计分析方法,主要开展了下列独立性的研究工作:提出基于改进的近邻传播(AP)聚类和子时段相似度递减扫描(PSDS)的两阶段法,对间歇过程数据进行分段建模和监控。首先,为了提取模型切换的动态特性,用更能反映复杂间歇过程数据特征趋势的相似度度量方法改进经典AP聚类,然后用改进的AP聚类算法进行采样数据的预划分。其次,考虑预划分得到的子时段的内部相关性特征也存在显著变化,本文提出新的PSDS算法对子时段再次进行细划分,并经过特征识别将所有采样数据最终划分为稳定和过渡部分。同时,在建模过程中,也提出了离群点和误分类点的概念和解决办法。针对间歇过程故障诊断中普遍存在的时序问题、批次不等长和轨迹不同步问题,本文进一步提出了基于顺序移动主成分分析(SMPCA)算法的多时段过程监控计划。首先,用SMPCA算法对不等长的间歇数据进行按时序的多时段划分,SMPCA模型的不断更新解释了采样数据的动态多时段特性。然后,通过提取局部SMPCA模型的特征空间并为关键变量建立相似度演变指标,揭示了过程数据变化的趋势。最后,提出模块化的建模方法解决了批次不等长及轨迹不同步的问题,并用有区分的监控和二次监控技术提高了模型的整体监控性能。为了验证所提算法的性能,用舵机实验平台的采样数据进行状态监控。通过实际实验和对比分析,验证了所提算法具有相对更为可靠的状态监控性能。