چکیده: در این رساله ابتدا به بررسی روش های مدل سازی چسندگی پرداخته شده، سپس یک مدل جبری کاربردی حاصل از مدل های مبتنی بر مدل ارائه شده است. پس از انتخاب یک مدل بهینه، مختصری در مورد رنج وسیع کارهای انجام شده درخصوص تشخیص چسبندگی و تخمین مقدار آن پرداخته شده است. روش پیشنهادی اول در این تحقیق جهت تشخیص چسبندگی به روش غیر مهاجم و مستقل از مدل، از طریق توسعه ماشین بردار پشتیبان بر روی متغیرهایِ آماریِ تعمیم یافته به تشخیص رخداد چسبندگی مستقل از دینامیک فرآیند پرداخته است. در روش دوم پیشنهادی بعنوان روش جامع تر نسبت به روش اول، با توسعه دانش کسب شده و با بهره گیری از روش های یادگیری ماشین بر روی متغیرهای آماری، یک الگوریتم چند مرحله ای ارائه شده که قادر به تشخیص و طبقه‌بندی خودکار عوامل نوسان-ساز در حلقه کنترل می باشد. در این روش ابتدا تفکیک کنندهای ماشین بردار پشتیبان، بیز و نزدیک ترین همسایه ها، آموزش یافته و تفکیک کننده برتر ارزیابی و انتخاب شده، سپس از طریق درخت تصمیم احتمال وقوع هر عامل نوسان ساز در حلقه مشخص شده است. در این روش جهت افزایش ویژگی داده ها از دو متغیر آماری T^2 و SPE استفاده شده است. اثربخشی این روش از طریق اعمال آن بر روی داده های صنعتی معیار آزمایش شده است.