一般来说,故障诊断的前提是要先检测到故障,之后再通过运用一些方法和工具找到故障发生的位置和原因,然后通过“对症下药”完成故障的修复,进而保证系统的安全运行。随着当今科学技术的不断进步,现代工业的生产规模越来越大,系统的复杂度越来越高,而且有些工业生产依据着时间就是金钱的心态,要求系统连续运行的时间越来越长,一旦系统受到一些不定因素的影响造成某一部分发生故障,轻者影响产品质量和系统性能,重者会出现系统运行失常进而导致系统瘫痪,甚至对人身安全和环境带来很大的危害,因此系统的安全运行就变得至关重要,而要实现系统的安全运行就离不开故障诊断。故障诊断技术具有许多种不同的形式,例如基于模型的故障诊断方法在故障诊断研究中得到了很好的应用,然而其性能好坏过于依赖系统机理模型的准确程度,实际上精准的系统机理模型往往很难建立。而基于数据驱动的故障诊断方法由于其不需要建立精准的机理模型,只需对过程数据进行分析,从而得到人们的广泛关注。其中,主元分析(Principal Component Analysis,PCA)是基于数据驱动故障诊断方法的一个重要分支。本文为解决线性时不变系统中小样本数据下的故障诊断问题以及微小故障的诊断问题,采用以主元分析为基础分别结合CS分解贝叶斯空间估计思想和变量加权的思想对系统故障进行分析和研究,主要研究内容如下:1)针对实际系统过程中有时受环境影响只能得到小样本故障数据,而传统PCA方法在处理小样本故障时,诊断性能不理想的缺点,根据PCA几何意义,结合CS分解贝叶斯空间估计的思想,提出基于特征子空间估计的方法。首先建立Q统计阈值并根据不同故障特征子空间旋转角度不同,建立故障模式特征子空间矩阵库,然后在小样本下通过特征子空间估计方法提取特征子空间,再利用矩阵相似性进行故障诊断。仿真结果表明,基于特征子空间估计方法对于小样本下故障诊断问题有较好的诊断性能。2)考虑到在量纲相同的系统中,变量所在位置不同,其变量重要程度也不相同,从而引入了变量加权的思想,建立了一种基于变量加权的主元分析的新方法。该方法首先利用正常运行的离线数据建立主元模型;其次再根据系统的先验信息分析来确定各变量的重要程度;然后在系统能量守恒的准则下,赋予系统各变量相应的权值;最后将各传感器所采样的在线数据赋予相应的权值,对系统进行在线故障检测。理论分析和仿真实验均表明,在重要变量出现微小故障时该方法可以很好的检测出故障。