随着全球工业的持续发展,对工业生产过程的控制也变得越加重要,工业过程的机械化和智能化导致生产过程数据的海量化和多维化,那么怎么去筛选这些数据并使之简易化从而去更加有效的监控生产过程成为目前工业过程监控的一项难题。基于主元分析(Principal Component Analysis,PCA)的多元统计方法被广泛应用于工业过程的故障诊断来改善工艺过程的质量和生产率。但是基于PCA的监测模型建立后是时间不变的,而大多数真正的工业过程是时间变化的。核主元分析(Kernel Principal Component Analysis,KPCA)方法可以利用非线性核函数以及积分算子较好地计算高维特征空间中的主成分,可以在线性状态的情况下求解特征值问题。利用自适应移动窗口算法来进行KPCA模型的重构则能够有效的更新特征值,较好的解决时变问题。本文在PCA和KPCA算法的基础上,同时使用了一种可变移动窗口算法,在对比了优劣后,再结合田纳西尹世曼(Tennessee Eastman,TE)过程研究了可变移动窗口KPCA方法的监控性能,主要研究内容和结论如下:1、介绍了移动窗口算法的基本思想,并研究了一种自适应移动窗口算法,用于更新传统的监控模型,仿真实验表明,通过在移动窗口算法中加入可变遗忘因子,能够使移动窗口不断选择最优尺寸,避免了窗口过大或者过小导致的特征值和特征向量不具有代表性从而使跟踪变化的效率较低或者不够精确的问题。2、研究了一种新的可变移动窗口KPCA方法。为了保持内核矩阵具有足够多的新样本,可以通过移动窗口来添加最新的样本和丢弃最旧的样本,然后再对移动窗口的大小来进行最优选择,从而大大提高了过程监控的效率和精度。通过仿真实验验证,证明该方法是有效的。3、将可变移动窗口KPCA方法用于TE化工过程监控,结果表明:该方法能够有效的提高TE化工过程中的特异值的提取效率,从而提高了整个化工过程监控的良好率,降低了虚警率,证明该方法具有较高的准确性和良好的缩放性,能有效提高工业过程监控的效率。最后,通过总结全文,提出了基于可变移动窗口KPCA方法在过程监控中有待深入探讨和研究的问题。