随着现在的工业过程越来越复杂,繁琐的生产流程和数据变量的高度耦合非线性使得基于数学模型和定性知识的方法在复杂工况下很难得到实际应用,而基于数据驱动的故障检测与辨识方法在处理大规模的复杂工业过程数据方面展现了极强的优势。特别是多元统计方法,能够利用各种数据挖掘和机器学习方法从大量的历史数据中提取出能够表征过程状态信息的隐含特征,因此在实际过程中得到了广泛应用。针对复杂工况过程数据的特点以及传统多元统计方法的不足之处,本文将核可预测元(KForeCA)方法引入到故障检测与辨识领域。KForeCA是基于谱密度的熵最小化理论而提出的,考虑了数据的时序相关性,同时又引入了核方法,不仅能够提取具有动态时序特性和可预测性的数据特征,而且对数据分布没有假设,还能很好地处理高维非线性的过程数据,能够更加全面的表征过程数据的变化趋势和本质特征。本文基于KForeCA方法进行了以下几个方面的研究:(1)针对单一核方法模型在非线性过程检测性能的不足以及核参数选择的难题,本文引入了集成学习的思想,提出了一种基于集成核可预测元(EKForeCA)的非线性故障检测方法,选取一系列的核函数进行集成学习,训练得到若干不同的KForeCA子模型,利用贝叶斯方法将各个子模型的监测统计量转换为故障概率,通过加权组合策略将各个子模型的结果合成得到最终的检测结果。仿真结果证明,本方法可以有效提高非线性故障检测的检测效果和鲁棒性。(2)针对传统的故障诊断方法在处理稀少样本数据和多故障诊断方面存在的不足以及对数据特征分布的要求,本文引入了支持向量数据描述(SVDD)方法。为了对样本集做出更精确的描述,体现样本在数据集合中的位置关系以及不同样本点对于超球体球面的贡献度差异,解决不均衡样本的分类问题,本文引入了kNN最近邻算法计算样本点的局部密度,结合模糊理论中的隶属度函数方法,提出了一种基于局部密度的模糊支持向量数据描述算法(Fuzzy Support Vector Data Description,FSVDD),增大边界样本点的权重,减小类内样本点的权重,根据样本的权重设定样本隶属度,提高对目标样本集合描述的精确度。(3)为了避免观测数据噪声的累加对于故障辨识模型的影响,提高故障辨识的效果,本文将FSVDD与KForeCA相结合,提出了基于KForeCA-FSVDD的故障辨识模型。首先使用KForeCA对高维的数据进行降维处理,提取观测数据中的非线性动态时序特征,求取特征空间的映射矩阵。然后直接根据提取的特征空间建立FSVDD模型,通过辨识规则进行单故障与多故障的辨识。该方法在保留了KForeCA强大的非线性特征提取能力的同时,结合了FSVDD在样本分类和故障辨识方面的优越性能,可以有效提高辨识模型的效果。(4)最后本文将基于EKForeCA的故障检测方法和基于KForeCA-FSVDD的故障辨识方法应用于GIS领域,基于GIS断路器的分合闸线圈电流对GIS进行故障检测与辨识,证明了本文所提出的方法在GIS过程监测领域的有效性及其潜在的应用价值。