伴随着工业系统规模的日益扩大,系统内相互作用的方式越来越多样化,系统的复杂程度日益增强,导致系统发生故障的原因也越来越多。所以利用存储的海量历史数据对工业过程进行故障检测与诊断,以保护系统的正常运行并降低故障带来的损失,是极具研究价值的课题之一。本文将TE过程作为研究背景,以此进行对数据驱动的故障诊断算法的研究。常规的数据驱动故障诊断方法主要存在以下三方面的问题:首先是如何有效的去除数据中的噪声数据;其次是如何处理非线性与分布不确定的数据;最后是如何改进传统的故障诊断方法只使用正常数据建模的问题。针对这些问题,本文的主要研究内容如下:(1)针对常规的小波阈值降噪算法(Wavelet threshold de-noising,WT)不能根据每层小波系数的特点确定最适合的阈值函数的缺点,本文对WT算法进行改良,提出了AWT(Adaptive wavelet threshold)降噪算法。AWT算法通过使用峰度-散度联合检验方法对每层的小波系数进行正态性测试,然后根据每层小波系数的正态性强弱选择最适合的阈值函数,实现了更好的降噪效果。(2)针对TE过程生成的数据存在非线性和分布不确定的问题,引入了优化核熵向量分析方法(Optimized Kernel entropy component analysis,OKECA)。该方法不仅能处理分布不确定的数据,还能处理非线性的数据。(3)针对常规的OKECA故障诊断算法没有使用已知故障种类的故障数据建模的缺点,本文对OKECA算法进行改进,提出了FDE-OKECA(Fault data enhanced optimized kernel entropy component analysis)算法。FDE-OKECA通过使用OKECA方法构造正常数据子模型并提取正常数据核熵分量,采用OKECA-LDA方法来构建构造故障数据子模型并提取故障数据核熵分量,再用贝叶斯推理将子模型的统计量转换为故障概率,最后计算基于两个子模型的概率加权的总体统计量,从而有效增强了算法的故障诊断能力;另外,新算法利用故障数据构建OKECA故障类别识别模型来判断故障类型。当模型检测出故障后,激活OKECA故障类型判别模型来确定故障种类。(4)本文把AWT与FDE-OKECA结合,提出一种新的故障诊断策略,并将其应用到TE过程中。新策略先用AWT方法对数据进行降噪处理,再用FDE-OKECA方法进行故障诊断,最后利用TE过程仿真平台检验了所提算法的性能与必要性。