复杂工业过程是推动生产力发展的重要领域,由于其特有的复杂性,难以建模等特点,对它的故障诊断研究已越来越受到重视。近年来,支持向量机(SVM)作为一种新型的机器学习算法得到广泛的应用,最小二乘支持向量机(LS-SVM)是SVM的改进算法,能在大样本的条件下表现出其优势。本文考虑到复杂工业过程数据量大的因素,基于LS-SVM对复杂工业过程的故障诊断方法进行深入研究。本文在对大量的故障诊断方法进行归纳的基础上,比较了各种方法的优劣性,介绍了用于分类的最小二乘支持向量机的特点,给出了基于LS-SVM故障诊断方法的实现步骤,并通过实例验证了其在复杂工业过程故障诊断中的有效性。其次,为了进一步改善诊断的性能,本文将模糊C均值(FCM)聚类和最小二乘支持向量机结合,提出了一种基于FCM和LS-SVM的故障诊断方法。模糊C均值聚类用于数据预处理阶段,并用模糊理论融入分类决策函数中,以提高其分类性能,达到了满意的诊断效果。最后,针对复杂工业过程中系统的实时性要求,给出了一种基于PCA和LS-SVM的集成故障诊断方法。该方法先利用小波去噪方法对过程数据进行预处理,并利用PCA主元分析方法来实现过程监控,当监测到有故障发生时,再通过LS-SVM方法实现故障类型识别。该方法充分结合了PCA方法的在线监控特性和LS-SVM在大样本数据分类中表现出来的优越性能,实现了在线故障监控并能将故障准确地辨识分离出来。通过对Tennessee Eastman(TE)化工过程模型的仿真,验证了该方法的优越性。