现如今故障检测领域由于人们对产品质量、生产效率以及安全性能的严要求和高标准,同时随着计算机和人工智能的飞速发展而得到了科学家人们的广泛关注。越来越多的研究者致力于在提高故障检测精度和效率,进而运用一定的理论对实际工业生产进行指导和帮助。基于数据驱动的传统多元统计方法针对工业过程故障检测需要假设不受噪声、离群点等的影响,过程数据具有近似线性且单一工况的状态,有利于后续建模与分析。然而,愈加复杂和智能化的工业过程,已不适用于直接利用上述传统方法,因此对其进行改进从而得到更好的结果是现阶段刻不容缓的事情。针对间歇过程具有非线性、非高斯、动态、多阶段和多模态等混合分布的复杂特性,往往对故障检测的效率和精度造成不良的影响,本文基于邻域保持嵌入算法(Neighborhood Preserving Embedding,NPE),通过分析该算法的结构特点并结合具体的间歇过程特性,提出对其进行改进的算法且应用于故障检测。本文的研究内容有以下几方面:(1)针对间歇过程数据具有的多模态以及各模态结构差异较大、高斯非高斯混合分布的特征,提出了一种基于局部近邻标准化(LNS)的LNSNPE-SVDD故障检测算法。首先利用该算法寻找原始数据的局部近邻集,针对局部近邻集数据进行标准化,同时将多模态数据融合为单一模态并对高斯、非高斯共存的数据进行处理使之近似服从多元高斯分布;然后在有效保持局部数据流形结构,充分提取局部特征下进行降维;最后,通过支持向量数据描述(SVDD)建立故障检测模型,构造监控统计量进行过程监控,使得检测率进一步提高。(2)针对邻域保持嵌入算法只关注数据的局部结构信息而没有考虑全局信息,对具有复杂动态特性的间歇过程故障检测造成检测率较低的问题,提出了一种基于交叉熵(Cross Entropy,CE)的邻域保持嵌入(CEGLNPE)算法,可以同时兼顾全局和局部的数据利用,提高故障检测效率和精度。首先交叉熵算法通过更新概率密度对数据多次迭代寻求全局最优,而邻域保持嵌入算法对局部结构进行保持;然后根据CE和NPE算法分别对全局和局部进行结构保持的特性,构建新的目标函数;最后利用滑动窗更新数据解决动态性并建立全局-局部的故障检测模型。通过人工数据集Swiss-Roll和青霉素发酵仿真过程与KPCA、NPE算法进行对比验证,验证了所提算法的有效性。(3)针对间歇过程具有的多阶段特性,即各个阶段间的数据结构不尽相同,对一个过程进行整体建模时,会忽略一些结构间的差异性,从而导致故障检测效果不佳,提出了一种基于稀疏子空间聚类(Sparse Subspace Clustering,SSC)的NPE多阶段故障检测算法。首先引入k近邻作为SSC的约束项,兼顾全局和局部两方面,对数据进行聚类完成阶段的划分;接着对各子阶段通过NPE算法达到降维提取特征的目的;然后利用小波变换对统计量进行降噪处理,排除噪声和干扰对结果的影响,最小化数据的损失率;最后在青霉素发酵仿真实验平台上进行对比验证,得到所提算法有效性的结论。