主元分析法(Principal Component Analysis,PCA)是当前过程监控领域应用最为广泛的数据驱动方法。主元分析技术将过程数据投影到能准确表征过程状态的低维空间,在很大程度上简化和改进了过程监控流程。针对传统主元分析法基于静态模型的缺陷,自适应主元分析方法按照一定的准则实时更新主元模型,实现了对过程正常慢漂移的有效跟踪,具有重要的理论研究意义和广泛的应用前景。本文首先综述了用于故障检测与诊断的主元分析方法以及自适应PCA方法的研究现状,并将滑动窗PCA与指数加权PCA两种自适应算法应用于TEP标准故障数据以及一批溶剂脱水塔工业数据,对两种方法进行比较研究。本文探讨了新的在线过程监控的可视化方法:首先介绍了在三维空间内绘制主元得分图及统计量控制限的方法,接下来提出了一种新的三维故障诊断图方法。三维故障诊断图方法可以监测过程变量间相关关系的变动,并拓展故障诊断辅助图形的信息量。在溶剂脱水塔数据上的应用证明该方法对过程故障及传感器故障都具备很高的辨识度。在综合滑动窗PCA与指数加权PCA两种自适应方法性能特征的基础上,本文提出了一种用于自适应过程监测的柔性主元分析方法。该方法基于滑动窗PCA算法的框架提出,通过引入柔性因子对主元模型区域实施不同程度的位移和变形,来实现监控性能侧重点的灵活变动。在TEP仿真数据及溶剂脱水塔工业过程数据上的应用结果表明,该方法可通过对柔性因子的调节,在高故障灵敏度与高监测鲁棒性之间选择与实际需要相符合的工作点。柔性主元分析方法解决了自适应监控算法的性能不可调问题,可以改善多工况过程监测的应用效果。结合对数据滑动窗口长度的调节,该方法可以在更大程度上满足多工况的工业应用需求,具有良好的可行性与优越性。