符号有向图(SDG)方法是故障诊断中定性方法的一个重要研究方向,它可以包容大规模的潜在信息,不依赖于精确的数学模型,在其应用于故障诊断时,完备性较好,且对工艺流程中变量之间的影响关系、故障传播路径有很好的解释和表达,其适应性强,鲁棒性优良。为此,符号有向图(SDG)的故障诊断方法在近些年得到了诸多学者的重视,成为研究热点发展速度很快,尤其,在石油化工行业取得了较好的研究和应用效果。但就其自身而言符号有向图(SDG)方法也同样有其固有的缺点,例如：该方法对模型的极度依赖、实际应用中确定节点阈值的上下限与节点状态困难、在面对大规模系统时诊断的速度不理想,诊断实时性差分辨率低等。这也是故障诊断其他定性方法中普遍存在的问题。主元分析(PCA)是一种线性的基于数据驱动的统计学方法,在应用于故障诊断时将其归为定量方法,它的核心思想是通过将相关的一组数据集进行降维,通过对测量数据矩阵的协方差矩阵进行奇异值分解而得到主元变量,并尽可能保留原来数据集的特征信息。可用来处理相关度较高、高维含噪声的数据,使用该方法无需掌握工艺流程的精确模型,通过建立PCA统计模型,然后将实测数据投影到该模型检测过程中出现的故障,近年来,PCA的理论发展日益成熟,在包括化工过程在内的许多实际工业过程中广泛应用。就其自身而言PCA方法也存在缺点,它假设系统变量均服从独立同分布的高斯分布,从而确定观测数据分向量的控制置信限,但实际工业过程的观测数据事先并不知道服从何种分布。另外,该方法虽然可以确定异常变量,却无法确定引起该变量异常的原因,这是由PCA和系统过程的工艺流程无关所造成的。本文以多变量统计方法主元分析(PCA)与符号有向图(SDG)方法为基础,针对流程工业生产中的特点,主要进行以下几方面的研究：(1)、为了避免现有的SDG采用图推理算法进行推理分析,在面对复杂流程工业时故障诊断速度慢,且容易产生多个解造成分辨率低,通过分析系统流程工艺,建立TEP的SDG模型,并引入一系列简化方法将该模型化简从而降低故障诊断难度。(2)、构建PCA统计模型监控过程变量,利用SPE和T2统计量指标检测过程变量的统计值是否超出控制限,即是否发生故障,引入残差贡献图记录故障发生时系统的异常变量。(3)、将主元分析(PCA)引入流程工业中,以Tennessee Eastman Process为例,对该过程的52个变量在15种故障情况下的实测数据分别进行处理,通过统计模型检测超出控制限的故障,然后将该故障发生时的异常变量在残差贡献图中记录下来,通过分析比较15个贡献图,排除在所有的故障情况中都未曾出现或出现但对故障的影响很微弱的变量,得到系统在任意故障下的异常变量的总数,得到每种故障发生时的异常变量表。(4)、在TEP中引入PCA与SDG相结合的诊断分析方法,通过TEP实验案例验证该方法的可行性,并能有效提高TEP故障诊断的能力。