化工生产过程往往具有非线性、时变、强耦合等特点,在过程监控中往往难以建立准确的解析模型,同时自动化控制系统在生产过程中可以采集记录大量的数据,这就促进了基于数据驱动的过程监控理论的发展。本文以典型间歇化工过程为背景,研究基于统计分析理论的故障检测方法,主要工作集中在对最小二乘支持向量机故障检测算法的改进。针对LS-SVM算法中的稀疏性问题,先利用聚类算法对数据进行预处理,使得LS-SVM方法具有与标准支持向量机相同的特性。提出一种基于核空间距离聚类稀疏化最小二乘支持向量机故障诊断分类器,针对LS-SVM模型中惩罚因子C和核函数的参数选择,利用粒子群算法对模型进行参数寻优,增强了模型泛化能力。通过啤酒发酵过程数据进行了仿真研究,所提出的稀疏化模型在分类精准与训练时间上均有提升,可以较高效地对故障进行分离,且具有较好的抗干扰能力。