随着当今社会科学技术的快速发展,现代工业生产过程中的生产设备和系统也越来越复杂。复杂生产过程的装置一旦发生故障,查找故障来源将是很复杂的一个过程。因此研究和开发能够满足现代工业故障诊断性能要求的新理论和新方法已经成为了现阶段最迫切的问题。作为故障诊断方面的一个重要的研究分支,以多元统计方法为基础的故障诊断技术是具有很强的实用性。本文从基于主元分析的故障诊断方法出发,针对实际工业过程中获取数据具有动态性、非线性和统计模型不能及时更新等问题,对工业过程故障诊断方法进行了深入的探索与研究。本文主要工作和研究成果如下:首先,介绍了现代工业过程故障诊断技术的基本知识及故障诊断性能评价指标,课题的国内外研究情况,以及常用的几种故障诊断方法;其次,研究了主元分析故障诊断方法,动态主元分析法(DPCA)的主要算法及基于DPCA的故障诊断方法,通过田纳西-伊斯曼(TE)过程的仿真实验,证明了动态主元分析法可以更有效地提取信息,对系统产生的故障进行检测与诊断。再次,针对实际工业过程中数据的非线性特性,研究了基于动态核主元分析(DKPCA)的故障诊断方法。该方法建立在核理论的学习基础上,结合了动态主元分析法和核函数的方法。并针对核矩阵计算较为复杂的问题,采用特征矢量提取法(FVS)对DKPCA优化,通过在高维空间选取尽量少的特征样本来描述整个样本集,使它们的分布的特征保证基本致,进而保证主元模型的基本一致。改进后的核矩阵计算时间大大减少,极大的降低了计算的复杂度。最后,针对传统DPCA算法不能实时更新监控模型的问题,结合移动窗主元分析(MWPCA)算法,提出了基于自适应DKPCA的故障诊断方法。算法的思想是运用一个随着时间不断向后移动的固定长度窗口来扩充每次新采集的采样数据,同时剔除对应的旧数据,这样保证整个窗体的长度和内部的数据量不改变,从而更新统计模型。并且这个方法引入的算法思想是RPCA,即递推主元分析,它将自相关矩阵的递推公式进行简化,使动态模型的在线实时更新速率变得更快。通过对TE过程仿真验证了算法的有效性。