计算机技术和DCS系统在化工生产中的应用,使得化工企业可以得到大量的过程数据,为了快速地从这些数据中提取有效的特征信息进行过程状态监测与诊断,本文提出了基于K近邻(K-Nearest Neighbor,KNN)和支持向量机(Support Vector Machine,SVM)的化工过程故障监测与诊断方法。首先,采用正交判别的线性局部切空间排列(Orthogonal Discriminant Linear Local Tangent Space Alignment,ODLLTSA)算法对化工过程大数据进行压缩、降维,然后对降维后的数据采用KNN算法建立化工过程监测模型,利用正常工况数据之间的距离计算监测阈值,当实时数据与正常工况数据之间的欧氏距离超过阈值时,为非正常工况,否则为正常工况。ODLLTSA算法可以很好地处理具有大容量、非线性等特性的数据,并且降维后保持了数据间局部近邻的关系,增加了正常工况数据与故障数据之间的距离,而KNN算法是依据数据间的距离来进行监测,并且可以很好地处理非线性和非高斯性的数据,因此有利于两者的结合,提高故障监测的有效性。然后,构建基于SVM的故障诊断方法。对非正常工况历史数据采用ODLLTSA进行降维,之后作为训练样本建立SVM故障诊断模型。在实时监测中,当监测到非正常工况时,将降维之后的实时监测数据输入到SVM故障诊断模型中,计算决策函数,辨识故障类型,进而得到故障模式。ODLLTSA能够加大异类间的距离,与SVM方法结合,能够提高SVM故障诊断准确率。最后,以田纳西—伊斯曼过程为应用实例。将KPCA、LLTSA-KNN与ODLLTSA-KNN进行实例应用比较,结果表明ODLLTSA-KNN能够快速、准确地监测到故障;与KPCA-SVM、LLTSA-SVM、SVM相比较,ODLLTSA-SVM能够有效提高故障诊断准确率与诊断速度,从而可为操作人员提供及时、可靠的决策依据。