近年来互联网、机器学习、人工智能、边缘计算等高端技术的发展越来越迅速,在技术的不断融合与创新中,也促进了我国的高端制造业的发展。主要体现在生产更智能化,生产效率更高效化、生产的工业产品流程更复杂化等方面。复杂的工艺流程意味着工厂进行每一步操作都可能有异常工况的发生,工业现场的复杂化给工艺产品高质量生产带来了巨大挑战。工业控制系统是整个工业生产的“大脑”,工业控制系统的安全是国家与企业的关注所在。本文首先对工业控制系统进行了简要的分析。介绍了机器学习技术在工控系统异常检测的应用。重点介绍了机器学习算法中的集成学习框架原理及应用。其次阐述了对工艺数据的特征工程方法。在工业现场采集的原始工艺数据含有大量的噪声,由于工艺流程的复杂性以及采集数据的时效性,采集的工艺数据会存在数据维度缺失的情况,数据的不完整性会影响模型的训练结果。在第三章介绍了几种数据特征降维方法,主要介绍了主成分分析法与堆叠自编码方法。本文选择了将主成分分析法与集成规则树相结合的特征选择方法,新的融合方法能够对工业数据的特征重要性进行排序,根据数据的重要性进行特征重要性选择,能够最大程度保证数据的完整性。最后文章研究了一种基于集成框架的工艺数据异常检测方法。从工业现场采集数据,对采集的数据进行特征工程处理,采用主成分分析法（PCA）与集成规则树相结合的方法,对工艺数据进行特征选择,能够最大程度的还原数据的原始特征信息。选择随机森林（RF）、Adaboost、Xgboost、SVM作为基学习器,以逻辑回归（LR）为次级学习器构建基于Stacking集成方法的异常检测模型。使用TE数据分别对基学习器模型与集成模型进行训练,将集成模型实验结果与基学习模型实验结果进行对比分析,最终得出结论有效的提高了工艺数据异常检测的准确率,有效的降低了工艺数据异常检测的误报率。