随着工业生产技术的快速发展,现代工业系统普遍存在大型化、复杂化的特点。工业系统日趋增加的运行数据、系统的非线性以及干扰的多样性使系统运行更容易发生非正常工况,成为影响工业系统安全平稳运行的主要因素。面对大型工业系统机理建模困难、难以采用传统基于解析模型方法处理的现状,为了时刻监控系统运行状态往往需要长时间测量相应变量,从而获得大量工业系统历史运行数据。如何合理、高效地利用这些数据判断系统运行状态、提高生产效率并保证产品质量,是现代工业生产所面临的主要挑战之一。因此,对基于数据驱动的故障诊断技术进行理论研究具有重要的实际意义。本文针对现有技术在实际应用所存缺陷,提出了一种基于度量学习的故障诊断技术。该算法只需使用系统运行状态的观测样本,通过增加样本对约束的方法求取能够合理描述观测样本之间距离的度量矩阵达到在线故障分类的目的。并采用度量学习与时间序列相结合的方法,弥补其在信息提取、简化方面能力较差的缺陷,对基于度量学习的故障诊断技术进行有效改进。为验证提出算法的有效性,使用TE过程作为基准测试流程,对基于度量学习与时间序列相结合的故障诊断技术进行仿真验证,并完成与PCA故障诊断结果的对比分析。仿真结果显示,时间序列技术可以有效提取、简化观测样本中含有的故障信息,采用度量学习与时间序列相结合进行故障诊断能够较为准确的完成故障诊断与分类。