随着工业系统的庞大化和复杂性的增长,一旦发生故障,不仅会影响生产的正常进行,还将造成一定的经济损失甚至人员伤亡。基于数据驱动的故障检测和诊断技术可以有效地提高系统的可靠性。本文以提高非线性、多模态过程故障诊断可靠性为目的,研究了基于数据驱动的故障检测和定位算法,本文主要工作及贡献如下:针对化工生产过程的非线性特性,同时解决核局部保持投影方法中核参数的选择问题,提出了一种基于新的集成核局部保持投影(EKLPP)的故障检测方法。首先选取一系列具有不同参数的核函数将非线性数据投影到高维空间,提取数据的非线性信息,得到投影矩阵,建立一系列子KLPP模型。然后计算待检测数据的核矩阵并将其投影到KLPP模型上,利用统计量得到各子模型的检测结果,运用Bayesian决策将检测结果转化成发生故障概率的形式。最后利用集成学习法将检测结果组合,进行检测。将该方法应用于TE过程,仿真结果表明,与传统方法相比,该方法对非线性数据具有更好的检测效果。针对工业生产过程的多模态特性,提出了一种新的基于加权差分主元分析(WDPCA)的故障检测方法。首先选取原始数据样本的最近邻以及其前k个近邻,分别计算出其前j个近邻样本的均值和权值,利用加权差分的方法对原始数据进行预处理,剔除多模态特征。然后利用主元分析法计算出负载矩阵以及SPE和T~2检测指标的控制限,建立PCA模型,进行故障检测。将该方法应用于数值例子和半导体生产过程,仿真结果表明,与传统方法相比,该方法对多模态数据具有更好的检测效果。针对工业生产过程的多模态特性,提出了一种新的基于改进局部熵局部保持投影(ILELPP)的故障检测方法。首先利用改进局部熵方法对原始数据进行处理,剔除原始数据的多模态和非高斯特性。然后计算LPP算法的投影矩阵以及SPE和T~2检测指标的控制限,建立LPP模型。最后将待检测数据运用改进局部熵方法处理后投影到LPP模型上进行故障检测。将该方法应用于数值例子和半导体生产过程进行仿真,结果表明,与传统方法相比,该方法对多模态数据具有更好的检测效果。针对当各模态离散程度差异较大时,kNN对离散程度较小的模态中微弱故障点的检测效果较差的问题,提出了一种新的基于概率密度kNN(PD-kNN)的多模态故障检测方法。首先建立各模态的kNN模型,然后计算待检测样本与各训练样本的概率密度,确定待检测样本的所属模态,最后利用其所属模态的模型进行故障检测。将该方法应用于数值例子和半导体工业过程数据中验证其有效性。仿真结果表明,与传统方法相比,该方法具有更好的检测效果。针对传统故障定位方法常受到拖尾效应影响的问题,研究了kNN在化工生产过程故障定位中的应用,定义了一种新的基于kNN变量贡献(VCkNN)的定位指标。对检测出的故障计算训练数据基于kNN的变量贡献,再计算测试数据的各变量对定位指标的贡献,最后画出故障定位图。将该方法用于数值例子和TE过程,仿真结果说明该方法可以对故障进行准确定位,验证了该方法的有效性。