随着我国工业化进程的推进,工业生产设备和系统不断向着规模化、精细化和复杂化发展,日益增长的安全需求与快速发展的工业进程相互制约、相互影响。一方面,工业生产过程的强耦合性使得故障发生的范围更广、偶然性更高;另一方面,生产设备的规模化和复杂化会导致故障的隐蔽性更高、破坏力更强。如果不能及时发现和处理故障,将会带来巨大的财产损失,甚至会造成人员伤亡。故障检测作为整个工业过程监测中不可缺少的环节,是保障工业过程安全可靠运行、以及保证产品高效稳定生产的重要手段。工业过程系统本身结构复杂、生产工序多、各环节相互关联,是一个典型的多变量系统。在工业大数据背景下,采集了大量的工业过程运行监测数据,这些数据反映了工业过程的运行状况。然而,工业过程运行监测数据往往存在数据缺失、数据分布不均匀、多工序数据关联等特性,导致运行监测数据难以直接用于复杂工业系统的在线故障检测。反映工业过程系统特性或运行状态的关键变量一般是隐含在系统中且无法直接观测到,而数据分析可以通过对收集的过程运行监测数据进行抽取和概括,汇总并提炼隐藏在数据中的信息,从而获得研究对象的内在规律。基于此,本文研究如何从工业过程运行监测数据中更有效地提取表征系统运行状态的核心隐变量,并提出相应的故障检测方法。针对工业过程数据存在缺失,导致运行监测数据对故障的表现力不足的问题,从应用最为广泛的概率隐变量模型概率主成分分析方法入手,结合概率隐变量模型在处理数据缺失上的天然优势,通过最大期望算法交替迭代估计缺失数据。同时,考虑到概率主成分分析无法利用历史数据中的标签信息和传统的线性判别分析方法在降维维度上的局限性,引入概率线性判别分析方法。该方法将监测数据映射到类内和类间两个隐变量空间,然后通过计算样本的对数概率比来判断故障类别。所提方法不仅实现了缺失数据重构,而且有效提升了隐变量空间的类别可分性。针对工业过程运行中质量指标测量难,运行监测数据对质量相关故障的表现力不足的问题,提出了混合概率隐变量模型框架下的有监督质量相关故障检测方法。该混合模型通过对投影矩阵的每一列都赋予不同的高斯分布,从而使得模型能够自动确定隐变量空间的维数。此外,结合教师学生网络框架,将混合模型视为教师模型,神经网络视为学生模型,利用教师模型得到的低维隐变量监督训练学生模型,使得网络结构中包含质量相关信息,从而达到提取质量相关故障信息目的,进一步提升了故障检测性能,并实现了质量相关的故障检测。针对工业过程多工序数据关联下,传统分块方法忽略了多工序间的关联关系,导致部分故障信息丢失的问题,提出了一种基于分布式变分自编码机的过程故障检测方法。由于浅层模型对于复杂问题的建模能力有限,为了从数据中提取更深层的特征,引入深度隐变量模型变分自编码机。在此基础上,考虑数据的噪声分布和相邻子块的信息,将关联子块的数据和噪声先验信息嵌入到变分自编码网络中,提出了分布式变分自编码机模型,克服了传统的分块方法无法有效利用邻域子块信息的缺点。所提出的方法不仅在完全数据和带有缺失数据的情况下都具有较高的检测率,而且能迅速定位发生在局部子块的故障位置。针对工业过程数据分布不均匀,导致传统局部保存方法对数据稀疏区域信息保存不足的问题,提出了基于加权核全局局部投影的过程故障检测方法。考虑到局部保存方法在保存近邻关系时忽略了数据分布特性,将Cam加权距离引入到核全局局部保存投影算法中,使得近邻点可以根据周围点的概率分布自动选择。同时,考虑到不同维度的隐变量对不同故障的敏感程度不同,构造了统计量变化率函数,实现了故障敏感主成分自适应选择。考虑到所提出的模型中参数较多,难以获得合适的参数组,采用遗传算法优化模型参数。实验结果表明所提出的算法能够提升传统核全局局部保存投影的故障检测性能。