过程监测在保证系统的安全性和可靠性方面起着至关重要的作用,对于现代工业过程的发展来说是一个关键的研究课题。随着社会的发展,现代工业过程变得日益智能化,系统内部结构错综复杂,很难通过机理分析或定性分析达到建立数学模型的目的,因而在过程监测方面,传统的基于机理模型的方法和基于知识的方法具有非常大的局限性,在现代工业系统中,难以被广泛的应用和推广。值得注意的是,现代工业过程在系统运行时往往会产生大量隐含过程特性信息的历史数据和实时数据,如何充分挖掘这些数据中的有效信息为过程监测提供新的思路成为国内外学者普遍关注的重点,这也是基于数据的过程监测方法的研究内容。目前,已有的过程监测算法大多是针对线性过程而提出的,但实际上,现代工业过程常常是复杂的非线性动态系统。针对此现实,本文将在线性静态系统过程监测思路的基础上,提出一种用于非线性动态系统的过程监测方法,为解决上述难题提供一种新的研究方法和思路。首先,本文采用一种实时学习方法用于解决复杂非线性动态系统难以精确建模的问题,结合多变量统计过程监测中最经典的主元统计法,实现对现代工业系统的过程监测,同时为后续算法的提出提供解决思路。然后,本文在基于实时学习的主元统计分析法实现思路上,针对现代工业过程常常受确定扰动的问题,提出一种适用于线性静态系统的过程监测算法,该算法通过残差评估进行故障决策,并将其与实时学习建模算法相结合,用于复杂非线性动态系统的过程监测。同时将提出的算法与其他非线性算法数值仿真对比,以说明提出的算法在故障误检率、漏检率以及鲁棒性等性能方面具有优势。最后,本文介绍污水处理过程采用基于数据方法的必要性,并将提出算法与其他非线性算法均应用到污水处理过程中,实验分析证明本文所提方法的先进性。