在工业生产过程中,设备老化、催化剂失活、换热器结垢等故障会导致设备性能退化和产品质量下降,进而严重影响生产过程的安全与可靠性。如果能及时检测出故障的发生,就可针对性地制定维修计划避免经济损失。能量作为多领域的综合概念,合理提取能量的概念可在一定程度上降低数据维度。而且(火用)是反映能量的“质”和“量”的统一体,其本质包含了过程的性能变化信息,比一般的属性变量更能解释故障变化信息。为此,本文提出了基于能量信息((火用)信息)的特征提取方法,不仅降低故障检测模型的复杂度,还能表现出良好的故障隔离性能。本文的主要贡献是提出一种基于(火用)信息与支持向量数据描述(SVDD)故障检测方法,分别通过数值仿真和工业精馏案例验证所提出方法的有效性和适用性。主要工作内容如下:(1)根据国内外相关文献资料,综述了定性的、定量的以及半定性半定量的故障诊断技术,分析了基于支持向量数据描述的故障检测方法研究现状。随后介绍了相关的理论及基本方法,主要是阐述了支持向量数据描述和主元分析特征提取方法的基本理论以及基于能量信息的特征提取技术。(2)由于能量特征提取方法可以进行特征降维和揭示过程系统的整体性能变化信息,提出了一种基于(火用)信息提取与SVDD故障检测方法。首先根据互信息找出与(火用)效最相关的一组变量作为能量特征变量,并据此进行特征选择。然后使用该特征集合建立不同状态下的SVDD状态模型,使用模型的相对统计量来判断样本的状态从属,进而检测出样本故障与否。(3)面对实际过程中系统参数时变特性和已知样本集不完备的问题,采用了增量学习算法来实现模型的增量更新;针对所筛选出的能量特征难以反映过程的动态特性的不足,使用了基于可变遗忘因子的能量特征提取方法来自适应更新能量特征;然后,提出了一种适应系统动态变化的基于(火用)信息与增量SVDD在线故障检测算法。首先引入可变遗忘因子,使每次提取的能量特征可以适应动态过程。在历史SVDD模型基础下,根据有效的历史数据和部分新增样本对应的新能量特征集合一起不断地增量更新模型结构。由多种的故障状态样本得到不同故障状态模型,依照样本的模型相对统计量来对样本分类,从而检测出故障状态。(4)将所提出的两种故障检测方法应用到数值仿真和精馏过程故障检测中。研究结果表明,基于(火用)信息提取与SVDD的故障检测方法可以提取出过程系统中的性能退化信息,(火用)效概念的引入不仅提高了算法的故障隔离性能,而且还指示出了故障的演化方向;而且基于(火用)信息与增量SVDD的在线故障检测方法即解决了模型在线更新的问题,还在保留算法分类性能的同时提高了故障检测的速度。