工业系统的故障诊断对于提高系统的稳定性及安全性具有非常重要的作用。本文研究了基于向量相似性度量的工业故障定位,采用系统拓扑结构与数据驱动的机器学习方法相结合,利用多种变量数据矩阵的相似性度量进行故障诊断。本文主要的研究内容包括:基于模型部分信息的分布式故障诊断。设计了一种新的故障监测框架,将基于模型的故障监测框架和基于数据驱动的方法相结合,实现了串级工业过程中的故障监测和定位。通过划分子系统的方法对工业串级系统进行划分,将这些已知的模型信息与数据驱动的方法结合,弥补了数据驱动方法缺失模型结构信息的不足,提高了故障诊断的精度以及可解释性。基于优化的ReliefF特征选择算法故障部件定位。利用优化的ReliefF特征选择算法挑选与故障类别最为相关的特征,结合模型中特征采集的位置进行故障定位。利用工业系统在运行过程中会产生大量信息来反应出系统状态的变化,提取可用于系统状态监测的信息,并得到引起系统故障的最原始的变量。基于扩散距离k近邻的故障识别分类策略及应用。利用扩散映射(Diffusion Maps,DM)的思想,将非线性的高维数据映射到保留数据低维流形的扩散空间,发掘高维数据的潜在几何特性和内在规律,采用扩散距离来度量测试数据样本与训练样本之间的相似性,将扩散距离与K-NN(k Nearest Neighbor,k-NN)分类算法相结合,采用基于扩散距离k近邻的分类算法实现了工业系统故障的分类与识别。设计了一款基于专家系统的故障诊断系统软件。结合数据分析的结果以及原有的设备专家知识进行故障的快速诊断。其工作流程主要为:在运行过程中,将采集到的实际数据集输入上文的故障诊断模型,得出故障类型;根据专家知识库中的规则,由推理机推断故障类型对应的故障征兆,提出故障应对策略,及时控制故障程度;当进行故障维修时,参照专家先验知识构成的故障树,根据故障树规则对故障具体原因进行定位和诊断,并提出维修意见。