安全一直都是工业过程中的首要考虑因素。工业过程中各个单元与节点相互之间复杂的关系提升了保障系统安全的难度,当化工设备发生故障时,如果不能及时采取措施,就可能会造成极大的人员伤亡与财产损失。复杂工业过程难以建立精准的数学模型,因而一些传统的机理建模方式就不太适用。随着计算机技术以及存储技术的发展,工业过程的大量数据得以保存,这为基于数据驱动的故障检测方法提供了基础。本文针对复杂工业过程开展以下故障检测应用研究:(1)针对传统方法中控制限的不合理与高要求选择,本文引入了分类器的思想,避免了控制限的选择问题,减少了故障检测过程中需要关注的指标的个数,提升了故障检测的精度。(2)由于工业过程数据大多不满足高斯分布,本文提出了 ICA-RVM故障检测器,避免了传统ICA方法中核密度估计方法的计算缺点,减少了过程监测指标,提升了故障检测精度。(3)针对工业过程数据中可能存在的高斯信息,本文提出了 ICA-PCA-RVM故障检测器,用于提取非高斯信息与高斯信息,使用RVM分类器自动计算控制限,减少了操作人员的精力分散,对故障检测精度有了进一步的提升。(4)本文提出使用RVM分类器构建故障检测器,相比于其他的分类器,如SVM分类器,RVM分类器构建的故障检测器的故障检测速度比SVM分类器构建的故障检测器提升了 一个数量级,此外故障检测的精度也有所提升。本文的研究结果表明,ICA-PCA-RVM故障检测器能够迅速、精确地检测到故障的发生,可以辅助操作人员进行正确的决策。