近年来,国民经济迅速发展,人们对工业产品的需求日益增加,促使生产设备向大型化、多功能化、结构复杂化、自动化等方向发展的同时,也提高了对生产过程安全性和可靠性的要求。一旦工业过程中出现故障而没有被及时发现,轻则会使产品质量受损、设备损坏;重则会带来不可挽回的经济损失,并造成环境污染,甚至还会对人民群众的生命安全产生威胁,导致严重的社会问题。随着计算机传感器的发展,数据信息化、智能化的提高,使得数据流的重要性愈发突出,特别是针对未知且不易建立机理模型的复杂过程。因此,在数据驱动框架下研究故障检测具有十分重要的意义。基于主成分分析(Principal Component Analysis,PCA)的故障检测方法是数据驱动框架下较为常用的方法,但是该方法在数据服从高斯分布的假设前提下能够表现出良好的性能。然而由于实际过程的非线性特性,即使扰动服从高斯分布,过程数据也可能是非高斯的,这使得PCA模型不能有效地发挥作用,导致检测结果不准确。为进一步提高故障检测的准确性,本论文针对非高斯随机系统,研究基于改进PCA的故障检测方法,主要内容如下:针对传统PCA无法实现对非高斯过程的故障检测问题,采用信息论(Information Theory Learning,ITL)中的广义互熵准则,从重构误差的角度出发,提出基于广义互熵PCA的故障检测方法;然后使用留一交叉验证法确定主元个数;随后通过核密度估计法确定监控统计量的控制限;最后将所提算法用于TE过程,仿真结果表明所提算法进行非高斯系统故障检测的有效性。针对上述所提算法涉及参数选择困难,算法复杂度高的问题,提出了一种基于生存信息势(Survival Information Potential,SIP)的改进PCA故障检测方法。最小化SIP在最小化随机性的同时,还能使误差的幅值也接近于零,不需要选择参数,所需计算时间较少。在仿真对比中,首先给出了一个二维数值算例,验证了所提方法在故障检测时兼具鲁棒性和及时性,然后应用于CSTR过程,再一次验证了这一结论。针对火电厂氮氧化物排放过程,过去研究集中于建模和减排,没有考虑故障检测。本文提出基于SIP-PCA的火电厂氮氧化物排放过程故障检测方法。与以往通过发射探测器检测氮氧化物排放量来判断过程是否发生异常相比,所提方法通过监测过程变量的变化可以更加及时准确的判断过程是否发生异常,在减少氮氧化物排放中更具有时效性。