高效可靠的故障检测与诊断对保证工业过程生产安全和提高产品质量起着极其重要的作用。遍布于现代工业过程的传感器采集的大量过程数据,为基于数据驱动的故障检测与诊断提供了良好的发展契机。目前,独立元分析(Independent Component Analysis,ICA)是数据驱动方法中的研究热点,倍受研究人员的关注。然而,过程数据常常含有离群点、测量噪声或者具有非线性结构,传统的以ICA理论为基础的故障检测与诊断方法没有给予充分考虑。本文针对以上的过程数据特点,围绕ICA理论,研究鲁棒ICA算法、有噪ICA算法和非线性ICA算法,并进一步建立监控统计量,由此提出一套基于ICA的过程故障检测与诊断方法。主要研究工作和取得的结果如下:(1)针对建模数据含有离群点导致故障检测性能恶化的问题,提出基于鲁棒ICA的过程故障检测方法。首先,通过鲁棒白化、最大非高斯方向鲁棒搜索,提出一种能够降低离群点影响的鲁棒ICA算法,对混合矩阵和独立元特征进行估计;然后,对每个估计的独立元特征,建立监控统计量的鲁棒计算方法。混合矩阵估计仿真实验和连续搅拌反应器(Continuous Stirred Tank Reactor,CSTR)系统故障检测仿真实验结果表明,提出的方法能够更加准确地估计混合矩阵,有效地改善故障检测性能。(2)针对高斯测量噪声污染过程数据导致故障检测灵敏度下降的问题,提出基于NoisyICAn的过程故障检测方法。首先,基于四阶累积量提出能够处理高斯测量噪声的有噪ICA算法(NoisyICAn),从含噪数据中估计混合矩阵;然后,采用估计的混合矩阵,推导独立元峭度与过程变量峭度的关系式,建立独立元的峭度递推估计式和能够抑制高斯测量噪声的监控统计量。在三变量数值系统和CSTR系统的故障检测仿真实验结果表明,提出的方法能够显著提高故障检测的灵敏度,及时地检测到故障。(3)针对测量噪声不均服从高斯分布的问题,提出基于NRJDICA的过程故障检测方法。首先,通过对过程变量进行白化和对白化变量的时延协方差矩阵进行联合对角化,提出一种能够处理测量噪声且不受噪声分布影响的噪声抑制联合对角化ICA算法(NRJDICA),对混合矩阵进行估计;然后,基于估计的混合矩阵,推导独立元峭度与过程变量四阶互累积量之间的关系,对估计的独立元进行排序和选取主导独立元;最后,通过滑动窗口技术计算每个主导独立元的时序相关信息,并建立噪声抑制监控统计量。在三变量数值系统和CSTR系统上进行故障检测仿真实验,结果表明,提出的方法不需要对测量噪声分布做出假设,对故障具有较高的检测灵敏性。(4)针对过程数据的非线性和时序相关性特点,提出基于核时序结构ICA的非线性过程故障检测和故障辨识方法。首先,提出一种能够处理数据非线性结构且无需对独立元分布进行严格假设的核时序结构ICA算法,从非线性过程数据中提取独立元特征用以计算监控统计量;然后,基于灵敏度分析思想,建立一种非线性贡献图方法进行故障变量辨识。Tennessee Eastman(TE)标准工业过程的故障检测和故障辨识仿真实验结果表明,提出的方法具有较好的故障检测性能,且能够给出准确的故障变量辨识结果。(5)为了充分利用核时序结构ICA提取的独立元特征进行故障检测,提出基于核时序结构ICA和加权独立元的非线性过程故障检测方法。首先,采用核时序结构ICA从非线性过程数据中提取独立元特征;然后,采用高斯混合模型估计独立元特征的概率密度;在此基础上,度量独立元样本数据出现的概率来指导对其进行权重分配,以便在不同的采样时刻突出与故障有关的独立元特征而压制与故障无关的独立元特征,及时有效地捕捉故障信息。在四变量数值系统和TE标准工业过程上的故障检测仿真实验结果表明,提出的方法具有更加优越的故障检测性能。(6)最后,以实验室双容水箱液位控制系统及某石化公司炼油厂催化裂化装置为对象,对所提方法的有效性进行验证。结果表明,与在数值系统、CSTR系统及TE标准工业过程上的故障检测仿真研究结论一致,在实验室装置和实际现场装置上,所提方法也能够有效地检测到故障。本文提出一套基于ICA的过程故障检测与诊断方法,并通过理论推导、仿真分析、实验室双容水箱液位控制系统及实际催化裂化装置验证各方法的有效性,同时对各方法中影响故障检测与诊断性能的参数选择问题进行了深入讨论,并给出了一系列行之有效的参数选择方法。提出的方法能够为实际工业过程故障检测与诊断问题提供新的解决思路,具有较好的应用前景。