工业生产过程的故障检测是流程工业监控的重要组成部分。它通过密切地监督生产过程的运行状态,不断地检测过程的变化和故障信息,从而有效地提高了产品质量和经济效益。而基于数据驱动的故障检测技术正是目前流程工业中过程控制领域的研究热点之一,也是本文的研究重点。本文所作的工作是:以主元分析(PCA)方法为主线,引入了小波分析、时频分析等算法,针对不同工业过程对象的特点,对传统的主元分析方法作了不同程度的改进,并且提出了一些新的集成化故障检测算法。这些方法不依赖过程的数学模型,都是基于数据驱动的。动态主元分析(DPCA)是一种将传统PCA分析推广到动态多变量过程的方法,但其较大的计算负荷阻碍了其实际应用能力。在本文中提出的改进的动态主元分析是根据各变量的自相关显著性特性来决定时滞变量和时滞长度的,该方法降低了检测模型的冗余,减少了计算量,有效地监视了动态多变量过程。传统的PCA方法从单一的尺度考察所有尺度上的数据,从而对某些尺度上发生事件的分辨率可能不高。在本文中提出的改进的多尺度主元分析法(MSPCA)则解决了这个问题,它是一种利用了小波分析不同尺度上提取信号特征的能力与主元分析去除变量间相关性的能力相结合的一种故障检测算法。多尺度PCA分别对各个尺度上的小波系数建立相应的PCA模型,在不同的尺度上考察事件,比传统的单尺度模型具有更高的分辨率。目前没有一种算法能够解决工业过程故障检测系统中存在的所有问题,因此深入研究各种算法的内在联系和特点,将具有互补性的算法集成在一起,是很有意义的。本文提出的独立成分分析(ICA)与Wigner-hough变换相结合的方法就是一种集成化故障检测算法。ICA具有可以使观测数据变成相互独立的原始信号的特性,而Wigner-hough变换具有可以将多变量数据信号在Matlab中变换成具有显著参数峰点的频谱图的特性,把经ICA变换后的信号进行Wigner-hough变换,用峰值点建立信号特征参数表,并设其为参考阈值。该方法的检测结果可以从三维图像中直接观测到,简单直观。