现代工业系统的复杂度越来越高,为了保障设备的安全运行,提高产品质量和经济效益,尽可能地避免一些灾难性的事故发生,对工业过程进行故障检测是十分有必要的。同时,由于计算机技术的迅猛发展,使得大量的工业过程数据可以记录存储下来。如果能从这些数据中找到反映系统状态的信息,就能建立故障检测模型。这种基于数据的故障检测方法已经成为当前研究的一个热点,其核心就是在于如何从大量的数据中挖掘其特征信息。非负矩阵分解作为一种多元统计分析方法,近些年来被越来越多的人员进行研究并提出改进。它是一种用局部特征来反映整体特征的一种方法,在某种程度上能减少冗余信息的干扰,减少计算量,具有一定的鲁棒性。因此,在故障检测领域表现出了比传统的检测方法更好的检测性能。本文的研究工作如下:（1）为了更好地提取样本数据的局部特征,提出了一种基于稀疏约束图正则化非负矩阵分解的故障检测方法。该方法不仅用非线性投影的方式对基矩阵列向量稀疏性进行控制,选取数据集的边缘信息作为局部特征,实现对基的微调来突出数据的关键信息,而且利用图正则化约束保持数据集在整个分解过程中的固有几何结构不发生改变,将它们整合于单个目标函数中。最后,将上述检测方法应用于TE过程来评估其检测性能,仿真实验结果表明所提出算法的有效性,提高了故障检测率。（2）凸包非负矩阵分解是在特征空间内寻找一个凸包尽可能地将所有数据包含在内,凸包边界点代表了局部特征,完整的数据信息有利于故障检测。为了更好地寻找到凸包非负矩阵分解的特征数据点且放宽对原始数据必须满足非负的约束条件,提出了基于稀疏约束核凸非负矩阵分解的故障检测方法。首先,通过核函数映射将特征空间中的数据进行白化处理,使得故障样本波动尺度归一,更容易检测出故障。然后,对白化后的数据进行凸包非负矩阵分解,同时加入稀疏约束,能够更好地寻找到关键特征。最后,将上述算法应用于TE过程来评估其检测性能,实验结果表明所提算法的有效性。（3）实际工业过程数据存在非线性、高维度和强耦合等特点,传统多元统计分析方法在故障检测上采用不同统计量衡量故障检测时存在着误差缺陷。有鉴于此,为了减小检测误差,提高故障检测率,提出了一种基于稀疏约束核凸非负矩阵分解的支持向量数据描述工业故障检测方法。首先,采用稀疏约束核凸非负矩阵分解方法通过对工业数据进行矩阵分解,获取关键特征信息。然后,再通过支持向量数据描述法设计超球面进行分类,从而实现故障检测。基于TE过程的仿真实验表明基于稀疏约束核凸非负矩阵分解的支持向量数据描述故障检测方法相对于传统的检测方法具有更高的故障检测率。