随着工业自动化水平的不断提高,各种智能仪表及分布式控制系统在实际工业过程中得到了广泛的应用,与此同时,反映过程运行状况的海量数据被采集并保存下来。因此,利用过程历史数据进行建模,提取正常运行状况下及已知故障发生时的统计规律,进而实现对当前过程的监测及故障诊断,成为了故障检测与诊断技术的一个研究热点。然而,由于工业过程的自动化系统规模大且复杂,这些数据都具有数据分布不确定性、非线性、多尺度性等特点,传统的多元统计监测方法大都对过程数据进行了理想化的假设,因此具有一定的局限性。本文针对工业过程的一些实际问题,对传统的多元统计监测技术进行改进,并提出一种基于MSPCA-KECA的过程故障监测及诊断算法,有效解决过程数据存在的多尺度、非线性及数据分布不确定等问题。本文主要研究的内容概括如下:1)针对过程数据的非线性及数据分布的不确定性,提出一种基于核熵成分分析(Kernel Entropy Component Analysis,KECA)的故障监测方法。该方法基于数据直接展开分析而不需要对数据分布进行假设,核方法的引入可以有效解决数据非线性问题,并且在将数据降维的过程中按照熵值大小提取特征,有效减少主元个数,减小后期计算量。同时,经KECA降维后的数据分布呈现一定的角度结构,基于此,引入一种新的统计量——CS(Cauchy-Schwarz)散度测度统计量。该统计量与KECA提取出特征数据的角度结构相得益彰,相比传统方法及其统计量,其在故障监测方面有更好的表现。2)针对过程数据的多尺度性,提出一种改进的多尺度主元分析(Multi-scale Principle Component Analysis,MSPCA)数据预处理方法。当故障发生的时间、位置及大小不同时,其体现在过程变量上的变化也不尽相同,其过程数据就表现为多尺度性。将数据进行小波多尺度分解,运用主元分析方法筛选出故障可能存在的尺度,将其重构并再次运用主元分析方法实现特征提取。仿真结果表明,该方法能够有效提取数据多尺度信息,突出变量的变化。3)将MSPCA与KECA结合,提出一种故障诊断新策略。一方面,经过预处理后的数据,过程的特征信息更加突出,有利于故障监测及诊断;另一方面,KECA作为单一分类器,即每一个单一分类器对应诊断一种故障,具有模型简单、运算速度快、故障识别率高、更新方便等优点。将该算法分别应用于TE(Tennessee Eastman)过程和ASHRAE 1043-RP冷水机组过程,仿真结果表明该算法具有较好的实用价值。同时,在对冷水机组过程进行仿真分析时,还发现该算法可以有效解决同类型不同等级故障的误诊断问题。