随着现代工业的发展,工业系统日趋复杂化,过程控制系统的实时监测不仅能够保障工业过程的稳定运行,同时还为产品生产过程中的控制、决策、调度等提供可靠的依据。近年来,硬件技术水平及芯片存储运算性能显著提升,硬件技术上的发展也带动了工业过程生产技术的革新,使得海量的数据被广泛的记录。而基于数据驱动的故障诊断技术由于无需建立复杂的机理模型,仅根据过程数据对系统状态进行诊断,因此得到了广泛的研究与关注,同时面临新的挑战。本文针对复杂工业过程故障诊断中非线性特性,基于核熵成分分析(Kernel Entropy Component Analysis,KECA)的故障诊断方法进行研究,其具体研究内容包括:(1)针对核参数对不同故障的选取问题,提出基于集成融合KECA(Ensemble Kernel Entropy Component Analysis,E-KECA)故障检测方法。该方法通过构造不同参数的子模型来建立模型,而后利用贝叶斯推理将子模型的监视统计信息转换为故障概率,并通过加权子模型的结果来构建基于总体概率的监视统计量。经田纳西伊斯曼(Tennessee-Eastman,TE)过程仿真实验,证明E-KECA模型能够有效的改善核参数对不同类型故障敏感度问题,与单参数KECA模型相比能够有效的提高故障检测率。(2)针对历史数据库的故障信息利用率问题,基于核熵成分分析方法的统计模型仅利用正常工况下数据进行建模,而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能,提出了一种故障判别增强核熵成分分析(Fault Discriminant Kernel Entropy Component Analysis,FDKECA)算法。该法通过采用无监督学习和监督学习方法建立模型,同时监测非线性核熵成分和故障判别成分两类数据特征。利用贝叶斯推理将相应的监视统计信息转换为故障概率,并通过加权不同子模型的故障信息来构建基于总体概率的监视统计量。通过数值仿真和TE过程仿真实验,证明与KECA、E-KECA相比,FDKECA算法能够有效利用故障数据提高故障检测率。(3)针对数据驱动故障诊断中的如何利用故障过程数据集识别故障模式的问题,提出了一种统计相似空间方法(Similarity Kernel Entropy Component Analysis Space,SKECAS)来识别故障模式。该方法通过统计模式分析来计算数据统计量,以代替故障识别中的原始测量变量。最后通过SKECAS的方法,对故障模式进行识别归类。通过数值仿真和TE过程实验表明,所提出的SKECAS方法在故障模式识别性能方面比KECA相似空间(Kernel Entropy Component Analysis Space,KECAS)的方法具有更好的识别效果。