随着工业进程与科学技术的迅速发展,现代工业系统结构日益大型化、复杂化,影响系统正常运行的因素骤增,给系统的安全性和可靠性带来了很大挑战。因此,采用多元统计过程控制的方法对工业过程进行监控,达到检测异常状况与故障诊断的目的,显得极有意义。本文在总结国内外工业过程故障诊断技术现状的基础上,对其中较为重要的主元分析、部分最小二乘等关键技术进行了深入的研究,对传统的主元分析和判别式部分最小二乘进行了改进,具体包括:1.利用主元相关变量残差和一般变量残差来代替Q统计量,解决了过程运行中出现某些故障类时,传统主元分析模型T 2与Q统计量持续时间过短的问题,为操作工人提供更加准确详细的信息。2.利用小波的多分辨率特性对含噪信号进行多尺度小波变换,在各尺度下尽可能提取出信号的小波系数而去除属于噪声的小波系数,再由逆小波变换重构信号,然后结合核主元分析去除变量线性相关性以及提取原始数据非线性统计特征的优点,对小波消噪后的数据进行核主元分析,提高模型的故障检测性能。3.利用正交信号修正去除自变量矩阵中大量与因变量无关的信息,再对处理后的数据进行判别式部分最小二乘建模,从而改善模型回归结果,提高模型的稳健性和故障诊断性能。分别将上述改进方法应用于TE过程的故障检测与诊断,仿真结果显示,第一种方法与主元分析模型相比,统计量持续时间明显得以延长,能够提供更加确切的过程信息;第二种、第三种方法分别与主元分析、判别式部分最小二乘模型相比,在误报、诊断能力上,都有较为明显的提高,从而说明所提出的改进方法是有效、切实可行的。