现代工业生产过程中,过程监测技术对于保证过程正常运行,提升产品质量有着重要的研究意义和实用价值。随着工业生产的复杂化和大规模化,过程的机理模型往往难以获得,而由于计算机技术的发展和集散控制系统的应用,从生产中采集到的过程数据越来越丰富,这些工业大数据中包含了大量与过程运行相关的重要信息。因此,如何从海量数据中提取过程特征和有效信息,并进一步实现过程建模和在线实时监测,成为了基于数据驱动的过程监测技术的研究热点。近几十年来,针对实际生产过程中的各种监测需求,在多变量统计过程监测领域涌现出了大量研究成果。传统的多变量统计方法往往基于过程数据的理想情况假设,因而在实际过程中的应用受到了限制。针对工业大数据的动态性、非线性、非高斯性和随机性等复杂特性,本文通过分析过程数据的变化轨迹,以过程的动态性为主要切入点,将批次过程和连续过程作为研究对象,解决过程监测技术在实际生产过程中面临的一系列问题。(1)针对批次过程的数据动态性和批次数据不等长等问题,提出了一种以轨迹分析为主要思想的动态建模和故障检测方法。通过局部差分计算构造轨迹向量,同时利用即时学习方法搜索并提取相似轨迹,实现在线多变量统计监测模型的更新和故障检测,改进了批次过程动态故障检测技术并解决了历史数据缺陷等问题。在实际应用过程中,由于基于轨迹向量的方法提取了过程的变化轨迹和趋势,对于动态过程有较好的故障检测效果,同时避免了数据不等长和数据缺失等问题对在线监测的干扰。(2)针对批次过程模态间过渡阶段的复杂数据特性,提出了一种基于局部轨迹分析和PLS-SVDD算法的过程建模和故障检测方法。由于批次过程模态间的过渡阶段数据特性十分复杂,除了包含强自相关性之外,还包含非高斯性和非线性等其他复杂特性。同时,由于该阶段的质量指标对于过程前后模态的正常运行有着重要的指导意义,因此对其进行质量相关的故障检测是十分必要的。为此,通过对局部数据轨迹和分布的分析辨识出过渡阶段并建立对应的PLS-SVDD模型,在利用回归模型实现质量相关的故障检测的同时,消除了数据非高斯性对统计量构造和故障检测的影响。在对批次过程进行全局故障检测时,通过对过渡阶段进行单独的局部建模和在线故障检测,可以使监测结果更为可靠。(3)针对批次过程监测中遇到的过程随机性和不确定性问题,提出了一种基于随机优化和轨迹分析的故障检测方法。考虑到过程的动态性以及质量相关故障检测的需求,以随机优化算法为主要思想,计算包含随机参数的最优历史质量轨迹作为故障检测的参照轨迹。与此同时,由于通过传感器采集到的历史数据可能包含缺失数据或面对总批次数较少的问题,引入bagging算法对历史数据进行重采样并构造出包含独立最优质量轨迹的多个监测子模型,并分别设计对应的统计量。在线监测阶段,通过将各个子模型的故障检测结果利用集成学习方法进行决策融合,最终实现质量相关的在线故障检测。通过引入随机优化的概念,在考虑过程动态性和质量相关故障检测等普遍问题的同时,消除了过程随机性和不确定性对故障检测的影响,相比传统方法在实际生产过程中有更好的监测效果和应用价值。最后,将本文提出的基于轨迹分析思想的故障检测方法与实际工业中的连续过程结合,并进行了效果验证。结果表明,该方法的实际监测效果较好,有着良好的应用价值。