故障检测技术在提高系统安全性方面起着极其重要的作用,经过几十年的发展已逐渐成熟。由于子空间辨识辅助的方法在工业过程故障检测中表现出的高检测率、低计算复杂度、适用于动态系统等优点,逐渐得到了国内外学者的关注。但目前关于此方法的研究还存在一些问题需要解决,如:(1)采用离线方式对全部的正常数据进行训练只能得到一个单一固定的模型,导致对局部微小数据的波动检测不敏感;(2)利用卡方分布或者核密度估计得到的阈值是一个固定值,难以兼顾检测率和误报率;(3)对数据进行训练得到的是线性模型,对于非线性、多工况的过程不太适用。本文针对上述几个问题进行研究,主要工作包括:对子空间辨识辅助的故障检测算法的原理进行介绍,分析比较现有几种子空间辨识方法的特点,确定采用基于主元分析的子空间辨识辅助的故障检测方法(SIMPCA)对故障进行检测,接着给出该方法故障检测的实现过程,并在田纳西伊斯曼(TE)平台和武汉理工大学的智能过程控制测试平台(IPC-TF)上对检测效果进行验证,结果表明SIMPCA方法具有优越性。针对SIMPCA方法在离线训练模型上的缺陷,提出了一种带有滑动窗口的SIMPCA故障检测方法:MW-SIMPCA。通过选取合适的窗口,依据时间序列滑动窗口实现模型的在线更新,从而提高对局部微小数据波动的敏感性。在此基础上,进一步采用粒子群优化算法对窗口进行优化,确定最优的窗口,并在TE平台上验证了该方法的有效性。针对SIMPCA方法存在着采用固定阈值难以兼顾检测率和误报率的不足,提出了一种自适应阈值与SIMPCA相结合的方法。该方法采用自适应阈值,综合考虑了固定阈值和前一段时间的统计量,使得阈值可以随着时间的变化而自适应变化。通过在TE仿真平台上的应用,结果表明与传统的固定阈值方法相比,该方法具有更高的故障检测率和更低的误报率。提出了一种将模糊C均值聚类与SIMPCA相结合的方法:FCM-SIMPCA,利用FCM把训练数据聚类为几个工况,对每个工况数据采用SIMPCA建立模型,实际工况模型则为这几个工况模型的加权平均。这种方法可更为准确的建立非线性、多工况的过程模型。为了验证FCM-SIMPCA方法的故障检测效果,完成了三相流设备平台的仿真实验,结果证明了该方法的有效性。