过程监测系统能够实时地监测生产过程,在保障工况平稳运行、改善产品质量及降低能耗等方面越来越发挥着不可替代的作用。大数据时代正在随着信息化程度不断发展以及硬件存储和计算水平的不断提升而到来,数据的极大丰富使得基于数据驱动的过程监测方法成为了近年来研究的热点。相应地,这些丰富的数据也使得基于数据驱动的过程监测方法面临着更多的挑战。本文针对工业生产过程当中的非线性特性,采用核方法和流形学习(Manifold Learning)提出了两种基于核熵成分分析(Kernel Entropy Component Analysis,KECA)的非线性故障检测方法。具体研究内容包括:(1)针对单一模型的KECA方法并不能够有效地检测工业过程当中存在的不同类型的故障的问题,提出基于集成学习和贝叶斯推论的改进KECA故障检测方法。由于不同类型的故障往往需要不同大小的核参数使得其具有较好的检测效果,本文采用相同的训练数据对不同核参数构造的KECA模型进行训练实现离线建模。在建立模型之后通过贝叶斯推论将这些模型的在线检测效果转化为概率的形式,最后将这些概率形式的检测结果根据加权方式组合形成一个最终的检测结果,给予对特定故障有较好检测效果的模型较大的权重,从而实现了对不同故障类型均具有较好的检测效果的目的。(2)考虑到KECA能够更全面地选择降维过程中数据的投影方向的优点,本文将信息熵的思想引入到最大方差展开(Maximum Variance Unfolding,MVU)当中,提出了一种基于KECA-MVU的非线性故障检测方法。利用瑞利熵来衡量由MVU学习得到的核矩阵经过数据变换之后的信息保留有效程度,根据瑞利熵最大的前几项所对应的特征向量作为数据的投影方向,实现了数据的有效压缩。最后采用线性回归的方法估计了输入数据到低维数结构的最优投影矩阵,由该投影矩阵实现过程中故障的在线检测。最后,总结了本文的主要研究成果,并阐述了未来研究工作的难点及展望。