生产安全是“工业4.0”最重要保证之一。过程监控和故障诊断技术是实现工业过程中安全生产的重要工具,是制造业转型以及智能制造的基本技术之一。随着生产装置大型化和仪器仪表智能化的发展,生产过程中产生的大量过程数据得以保存、分析和应用,这为基于数据驱动的工业过程故障诊断研究创造了良好的条件。本文针对复杂工业过程中的故障诊断进行了以下研究:(1)提出了一种新的模式分类方法用于工业过程故障诊断,利用非线性信号处理工具自适应顺序形态滤波器(Adaptive Rank-Order Morphological Flter,AROMF)构造模式分类器,采用信号匹配的方法完成故障的分类,为工业过程领域的故障诊断提供了新的解决方案。(2)为了避免直接对高维带噪声原始数据进行模式分类导致的不准确性,提出利用核规范变量分析(Kernel Canonical Variate Analysis,KCVA)算法提取过程数据的非线性和动态性特征,形成AROMF的模板信号;然后设计KCVA与AROMF的结合的KCVA-AROMF模式分类方法,基于欧氏距离(Euclidean Distance,ED)定义的迭代误差距离进行故障模式匹配,并在田纳西伊士曼过程(Tennessee Eastman Process,TEP)基准平台上进行了仿真验证实验,结果证明对比传统的多变量统计方法,KCVA-AROMF降低了故障误分率,尤其对于难以诊断的故障,其故障误分率降低得更为明显。(3)针对基于欧氏距离的AROMF模式匹配需要两个序列长度相等、特征点严格对应的限制,提出基于动态时间规整(Dynamic Time Warping,DTW)算法的DTW距离改进迭代误差距离,形成KCVA-AROMF-DTW模式分类方法,通过在TEP基准平台的仿真验证实验,结果证明相比PCA-AROMF,CVA-AROMF 算法,KCVA-AROMF-DTW 提高了 的故障诊断精度;相比基于欧氏距离的KCVA-AROM算法,KCVA-AROMF-DTW算法提升了故障诊断的精度和灵敏度。