如何确保生产的安全、提高产品的质量以及整体的经济效益是现代工业生产过程中非常关键的问题,一种有效解决该问题的技术手段是有效的过程性能监控和故障诊断的应用。现代计算机及信息技术的迅猛发展使得工业生产过程中越来越多的变量能够得到测量、处理和监控。统计性能监控方法因为仅仅依赖容易得到的过程数据,而不是依赖精确的数学模型,逐渐受到了广泛的关注。本文在对传统统计过程监控方法的研究基础之上,提出了几种不同程度上的改进措施。进一步一些新的基于统计过程的监控方法被提出并运用。本文的主要内容如下:1.提出基于小波包去噪主元分析方法的过程监控与故障诊断技术。该方法首先利用小波包变换技术,将测量噪声和干扰因素在过程数据中消除;其次利用主元分析法的特点,使过程数据得到降维,从而可建立主元监控模型;再次通过分析各变量对主元的贡献图,进行故障诊断。TE过程的仿真结果表明该方法在过程性能监控和故障诊断的有效性。2.提出基于核主元分析方法的过程监控与故障诊断技术。该方法同样先利用小波包变换消除测量噪声和干扰。不同的是它采用核主元分析算法对故障进行在线检测。进一步运用核函数梯度算法对检测得到的故障实现在线故障诊断,从而可根据每个监控变量对相关统计量的不同贡献程度,绘制出贡献图,在贡献图的基础上实现故障分离。最后引入特征向量选择方法,使得监控过程中的核矩阵计算困难问题得到较好解决。通过对TE过程的仿真研究,并与主元分析法相比,实验结果表明该方法能有效实现故障检测和诊断,更高的过程监控能力得到突显。3.利用核主元分析非线性过程监控的优势,结合多重核学习支持向量机在故障诊断方面的准确性,提出了基于核主元分析和多重核学习支持向量机的非线性过程监控和故障诊断方法。运用核主元法对数据进行处理,在特征空间构建监控变量和控制置信限,实现故障检测,若有故障发生,则计算样本的非线性主元得分向量,将其作为多重核学习支持向量机的输入值,通过其分类进行故障类型识别。将上述方法用于TE化工过程,仿真结果表明该方法能够准确快速地检测并诊断故障。4.为了进一步提高故障诊断的速度和准确度,提出了基于核主元分析和无约束优化的稀疏型支持向量机的过程监控与故障诊断方法,首先利用核主元分析方法来检测故障,再利用Cholesky分解更新无约束优化中的Hessian矩阵构建稀疏型支持向量机,对TE过程的故障进行识别。仿真结果表明该方法能够准确快速地检测并诊断故障。5.在分析复杂工业过程特点基础之上,充分利用核主元分析方法具有处理非线性数据的优势,以及独立成分分析方法具有较强提取高维特征空间信息能力的特点,提出基于核独立成分分析方法和支持向量机的非线性性能监控和故障诊断方法。该方法关键的步骤是先对数据作空间映射变换到高维特征空间;其次在高维特征空间中运用独立主元方法进行相关分析和计算。该方法借助在高维特征空间建立监控统计量和控制置信限的办法实现工业过程的监控。在实现过程监控的基础上,引入支持向量机,利用支持向量机优良的数据分类能力,实现故障诊断。TE过程仿真研究验证了该方法的有效性。6.提出基于核独立成分分析和核Fisher判别分析的过程监控与故障诊断方法。该方法充分运用核学习理论,把核方法与线性Fisher判别分析方法有机地结合起来:通过利用核独立成分分析建立正常工况模型,得到检测故障信息。在发生故障的情况下,利用Fisher判别分析方法在高维的特征空间的特点和优势,可将满足最大分离程度的核Fisher判别向量和特征向量求出。从而根据当前故障的判别向量和历史故障数据集中所含故障的最优核Fisher判别向量的相似度进行故障诊断。通过对TE过程的仿真研究,验证了所提方法的有效性。