工业是国家经济发展的命脉,工业生产安全、高效、可持续的运行是效益最大化的根本保障。本文在数据驱动领域开展故障诊断方法研究,从高维工业数据中提取关键特征信息,及时发现威胁工业生产的故障,保证工业生产的安全进行,具体研究内容如下:第一,根据现代过程工业中产生高维数据的特点,提出了基于概率框架的巴氏边界与最小误差最小最大概率机故障诊断方法。该方法以直接最小化贝叶斯分类错误概率上界为核心思想,克服传统线性判别分析法易受主导类别影响的缺点,增强了模型准确性与可解释性。为了获取充足的信息,本文中使用施密茨正交化求取多维投影向量,使降维后的数据维度不局限于一维。第二,对最小误差最小最大概率机的目标函数进行了修改,使其适应多类别故障诊断。提出添加L-1正则化项的稀疏最小误差最小最大概率机克服因模型复杂度高,易对数据形成过拟合的现象。第三,针对工业数据具有极强动态相关性的特点,基于概率框架的故障诊断方法中对原始数据施加动态扩展,能够在故障诊断过程中充分利用数据的动态信息,进而显著降低故障识别错误率。同时,提出信息判别准则来确定故障数据动态扩展阶次与降维后维数,大大降低了不必要的计算。最后,通过在田纳西-伊斯曼仿真过程多个故障集上的实验,验证了本文所提出方法的性能与有效性。