随着计算机技术和信息技术的发展以及生产规模的不断扩大,现代工业控制系统日趋复杂化、集成化和智能化。工业过程产生的大量传感器数据被存储下来,有效地提取出这些数据中所蕴含的关于系统运行状况的重要信息以用于过程监控,并提高生产效率和品质,具有十分重要的意义。近年来基于数据驱动的故障检测与诊断技术引起了广泛的关注,并已成为过程监控领域重要的发展方向。慢特征分析(SFA)作为一种全新的特征提取和降维方法,能够从时序信号中提取出变化最缓慢的成分,这些成分被称为慢特征。本质上SFA是将输入的时序信号进行非线性扩展后投射到高维特征空间,在该特征空间中搜寻最佳的线性组合进而提取出慢特征。慢特征是从原始输入信号中抽象出来的系统信息在高级层面上的表示,能够有效表征系统所固有的本质属性,因而SFA具有挖掘工业过程真实规律的潜力。本文将对SFA用于故障检测与诊断领域做出有益的尝试。本文的主要研究工作具体如下:(1)将SFA这一新颖的特征提取方法引入故障检测与诊断领域,以期探寻其应用的潜力和价值。SFA是对时序信号中的不变量进行学习的方法,不变量学习对于数据分析和模式识别都具有重要的意义。对于时序信号来说,不变量指的是从中抽取出的变化最缓慢的元素,它可以揭示系统的固有性质。(2)引入核方法来实现SFA中的非线性扩展得到KSFA,建立了完整的基于KSFA的故障检测模型,构造了2S统计量和SPE统计量。通过在TE过程实验平台上的仿真实验,证明了KSFA检测模型的有效性和可行性。(3)提出了基于KSFA-SVM方法的故障诊断模型,该模型有效结合了KSFA对系统固有属性的捕捉能力以及SVM优良的分类能力。利用TE过程模型,对系统单故障和多故障的诊断情形进行模拟,进而验证了KSFA-SVM模型良好的故障诊断能力。