现代工业过程由成百上千个高度耦合的回路构成,各个回路实际控制性能与过程安全、经济效益、产品质量等问题息息相关。但由于某些原因,有些回路会出现不同程度的控制性能问题。因此,对工业控制回路进行因果分析,具有重要意义。而典型的工业过程,回路变量数目众多,但仅有小部分变量为因果关系中的关键变量。所以,本文采用稀疏因果分析的方法,对工业控制回路实现高效精准的因果分析。本文的主要研究内容如下:1、结合格兰杰因果概念和Lasso拟合方法,针对线性平稳数据构建了最典型的稀疏格兰杰因果分析的算法。通过实验仿真,验证了该方法的准确性,且较之非稀疏方法更加高效和精准。2、针对工业过程全局振荡的故障数据,提出一种去趋势预处理的稀疏格兰杰因果分析方法。首先,基于局部均值分解和非平稳时间序列模型设计了两种去趋势方案。并通过对比对Eastman数据的处理效果,对于单振荡源、振荡周期明显且固定的振荡数据,确定后一种方案的处理效率更高,操作性更强。之后,通过数值仿真对比实验,验证了去趋势预处理的必要性。最后,对Eastman振荡数据实现了振荡源的定位和振荡传播路径的检测。3、提出了 一种稀疏组因果分析的方法,主要针对无先验分组结构的对象,利用聚类和主成分分析的方法构建特征组,并采用Group Lasso拟合方法,建立稀疏组模型,最终实现组变量之间的因果分析。同时,设计了一种结合分量权重的组因果指标wMVGC。最后,通过数值仿真,验证了稀疏组因果分析方法的准确性和高效性,说明了新的指标更有利于因果关系的判断。4、以TE过程为研究对象,验证了两种稀疏因果分析算法的有效性和精准性。采用去趋势预处理的稀疏因果分析方法,对全局振荡现象实现了振荡源准确定位及振荡传播路径的检测。对两个故障数据集,利用主成分分析和聚类方法构建特征组,采用稀疏组因果分析方法,对故障源所在区域实现定位。