主元分析法(PCA)是基于多元统计过程控制的故障诊断技术的核心，是基于原始数据空间，通过构造一组新的潜隐变量来降低原始数据空间的维数，再从新的映射空间抽取主要变化信息，提取统计特征，从而构成对原始数据空间特性的理解。

新的映射空间的变量由原始数据变量的线性组合构成，从而大大降低了投影空间的维数。由于投影空间统计特征向量彼此正交，则消除了变量间的关联性，简化了原始过程特性分析的复杂程度。

主元分析法的基本思路是：寻找一组新变量来代替原变量，新变量是原变量的线性组合。从优化的角度看，新变量的个数要比原变量少，并且最大限度地携带原变量的有用信息，且新变量之间互不相关。其内容包括主元的定义和获取，以及通过主元的数据重构。

假设一个要研究的系统仅包含两个变量 x1 ， x2 。将两个变量的样本点表示在一个平面图上，可以看出所有的样本点集中在一个扁型的椭圆区域内。因为样本点之间的差异显然是由于 x1 ， x2 的变化而引起的。我们可以看出在沿着椭圆横轴的方向上（ y1 ）的变动较大，而纵轴方向上( y2 )的变动较小。这说明了样本点的主要变动都体现横轴方向上，比如 85%以上，那么这时就可以将 y 2忽略而只考虑y1 。这样两个变量就可以简化为一个变量了。我们称 y1 ， y 2分别为 x1 ， x2 的第一主元和第二主元。一般情况下，如果样本有 p 个变量，若样本之间的差异能由 p 个变量的 K 个(K＜p)个主元成分来概括，那么就能用 K 个主元来代替 p 个变量。

主元分析中数据总体的协方差阵往往是未知的，这需要利用过程的正常运行数据进行估计。假设采集得到过程数据样本为 X ∈ R n ×p，其中 n是样本的数量，p 为过程变量的个数。为了避免变量的不同量纲的影响，需首先对数据进行标准化处理，即将各个变量转化为均值为 0，方差为 1 的数据。

在主元个数的选择上，有两种比较普遍的方法，一种是主元回归检验法，一种是主元贡献率累积和百分比法（CPV）。

检测统计

从统计的角度讲，要检测数据中是否包含过程的故障信息，可以通过建立统计量进行假设检验，判断过程数据是否背离了主元模型。通常的方法是主元子空间建立 Hotelling T2 统计量进行统计检验；在残差子空间中建立 Q 统计量进行统计检测。