随着现代工业系统规模的不断扩大,其大型化以及复杂度也在不断提升,外界扰动、非线性、系统不确定性等问题也会随之产生,因此对工业系统中可能产生的故障进行及时有效的监测也是目前人们关注的重点。而由于数据网络技术的普及,数据采集与监控系统(Supervisory Control And Data Acquisition,SCADA)在工业中有着越来越广泛的应用。因此,通过对SCADA系统采集到的数据进行合理的利用,绕过模型的辨识部分,从数据的角度设计过程监控系统,对系统可能产生的异常以及故障进行监控是当今非常重要的研究方向之一。本文主要通过数据驱动方法,通过对系统建立诊断观测器构建残差产生器,并针对系统中可能出现的偏心故障设计了自适应环节,从而在线的对工业系统进行及时有效的监控。首先,本文介绍了数据驱动开环控制系统设计方法,为了对工业系统进行有效的故障诊断,并为之后容错控制提供可靠的诊断结果,本文介绍了互质分解技术并学习故障诊断观测器的参数化形式,并且将单维的基于观测器的残差产生器扩展至多维的形式,研究了基于多维残差产生器的过程监测系统设计。其次,由于闭环系统在工业过程中的广泛应用,本文将基于稳定核心表示的开环控制方法扩展至闭环控制系统,利用闭环系统产生的数据,重新构造系统的核函数,通过核函数构建系统的残差产生器,从而达到对闭环系统的合理监测。同时考虑输入输出之间的耦合性,通过重构残差协方差矩阵从而构建评估函数,通过与阈值的对比实现对系统性能的实时监测。再者,针对工业系统中普遍存在的低频扰动等故障,本文基于自适应观测技术设计了可靠、高效的自适应更新策略。在不辨识整个系统的基础上,该自适应策略仅通过在线更新关键性参数达到跟踪变化的目的。通过自适应手段对实际系统中可能出现的正弦波等故障信号进行辨识,同时采用滑动窗口对自适应方法进行了改进,提高了在系统存在随机故障时的估计效果,从而实现对工业系统进行合理的监测。最后,轧钢系统在工业中的应用非常广泛,轧钢系统利用热轧或冷轧工艺,可以将带钢通过轧辊挤压成钢板,本文在轧钢模型中进行了仿真并验证了所提出的以上数据驱动设计方法,应对轧钢过程中可能出现的轧辊偏心等问题,从而实现对轧钢系统的实时监测。