精馏塔在石油化工行业中占有很重要的地位,作为精馏研究的一个热门领域,故障诊断无论在理论上还是在实践上都有重要意义。支持向量机(Support Vector Machine,SVM)是基于统计学习理论的结构风险最小化原则提出的,它能够解决少样本的学习问题,可使在少样本的情况下建立的分类器具有较好的推广能力。因此适合于精馏塔故障诊断这种小样本情况的工程实际问题。本文对醋酸脱水共沸精馏过程的故障检测与诊断方法进行了深入的研究,主要工作包括以下几个方面：首先,在综合大量文献的基础上,对化工过程的常用的一些故障检测与诊断方法进行了结合分析,指出了它们的各自的优缺点。并简单介绍了流程模拟软件Aspen Plus。其次,介绍了统计学习理论的核心思想,指出统计学习理论是针对有限样本的机器学习理论,具有比较坚实的理论基础。然后介绍了支持向量机的特点及构造方法,并详细介绍了多值分类支持向量机。接着,因为大多数化工过程本质是非线性的,针对化工过程数据的非线性特性,分析了将核函数主元分析(Kernal Principle Component Analysis,KPCA)方法用于非线性工业过程监控的方法的研究。实验仿真以醋酸脱水共沸精馏过程为对象,用KPCA方法进行监控,仿真结果表明了KPCA对醋酸脱水共沸精馏过程的监控效果良好。最后,针对支持向量机参数的选取困难,提出了利用改进的遗传算法(Improved Genetic Algorithm,IGA)对其参数进行优化。IGA采用代沟选择和可变交叉概率,确保当前种群中最适应的个体总是被连续传播到下一代,并使进化后期优化的对象比较容易稳定,计算效率提高。本文在改进遗传算法的基础上给出了一种基于KPCA-IGA-SVM的多变量过程故障诊断方法。通过对醋酸脱水共沸精馏过程上的故障工况的仿真研究,说明提出的改进算法是有效的。