现代流程工业生产过程结构复杂、规模大、自动化程度高,一旦发生故障往往会导致非常严重的后果,因此对于工业过程监控方法的研究就变得尤为重要。基于统计分析理论的过程监控以生产过程中采集的数据为基础,通过挖掘数据中的规律,判断运行状况。本文以啤酒发酵这一典型间歇过程为背景,研究基于Fisher判别分析(FDA)的故障诊断算法。1、提出了一种改进的FDA故障检测算法,在距离统计不明确的情况下,通过核密度估计确定控制限,提高了模型的准确性。2、针对过程数据存在非线性问题,将核函数理论与FDA结合,提出了一种KFDA故障检测算法,并进一步利用独立元分析(ICA)在数据独立性分析方面的优势,发展出一种ICA-KFDA故障检测模型,算法性能在漏检数和准确率方面都得到了明显的改善。3、对于上述检测出的故障,通过特征提取建立故障库,根据分类器的分类结果进行故障判定。采用相似度判别和距离判别两种方法,其中相似度判别所采用的故障库是最优判别矢量,通过比较当前故障与历史故障判别矢量之间的夹角来实现。距离判别是通过比较当前发生故障数据的特征向量与已知故障特征向量的距离来对故障类型进行判别。在此基础上,又提出一种核方法来解决FDA分离数据不彻底的问题,并介绍了一种核参数的寻优算法,通过仿真结果验证核Fisher特征提取方法在故障诊断方面的优越性。4、通过对微型啤酒生产过程数据进行仿真研究,对比三种算法的仿真结果可以看出,ICA-KFDA在故障检测方面的性能要明细优于前两种方法,而提出的KFDA特征提取故障诊断方法则可以有效的对故障进行分类,充分证明了算法的可行性。