随着工业过程中自动化系统的快速发展,传统的故障诊断方法已经无法解决复杂工业过程中在线监控问题。在实际工业生产中,不可避免地会出现系统设备老化、工况变换和元器件损坏等因素。若这些微小故障源不能及时处理,就会导致工业系统瘫痪影响产品质量,严重时会引发重大爆炸事故。因此,工业化工过程故障检测与识别已成为过程控制领域中的重要研究内容,并已得到国内外学者的广泛关注。基于数据驱动的监控方法既可以不受数学模型的限制,还能够利用工业生产过程中所采集数据对复杂工业过程实现在线实时性监控。本文详细介绍了工业过程中常用的几种故障检测模型,在原有检测算法模型的基础上进一步做出适当完善,实现工业化工过程的故障检测。本课题以田纳西-伊斯曼工业化工过程(TE)作为研究平台,通过该平台完成生产模拟过程并采集TE运行过程数据。针对工业化工生产过程中所产生数据具有变量多、维数高的特点,利用传统主元分析(PCA)具有良好降维特性,建立PCA故障检测模型。由于PCA方法需要假设工业化工过程中样本数据服从高斯分布且只能提取线性主元,引入核主元(KPCA)算法提取非线性特征主元构建故障检测模型。KPCA基本思想是通过原始空间映射到高维特征空间中,再在特征空间中进行主元分析,从而实现样本数据可分性。将PCA模型和KPCA模型应用于TE仿真平台,实验结果表明KPCA模型对故障检测效果要优于PCA模型。针对现实工业生产过程中一直存在非线性、非高斯和多种噪声等特性问题,提出了改进KPCA和SVDD故障检测模型。首先,为减少噪声对KPCA方法提取数据非线性影响,提出了改进KPCA方法。在KPCA特征空间中对样本数据做信号重构误差计算,使特征空间中的样本数据能够自动识别并去除异常点。增强KPCA算法对非线性核映射,提取核主元;然后,为进一步解决工业过程数据中含有非高斯特性的问题,文中引入支持向量数据描述(SVDD)算法。SVDD算法对故障检测时不需要假设工业化工过程数据服从高斯分布,又具有良好的分类效果。采用SVDD方法对改进KPCA中求出的核主元建立故障检测模型;最后,将本文提出基于改进KPCA和SVDD方法应用于TE平台中,实验仿真结果说明本文方法能够达到较好故障检测效果。