现代工业化生产规模的不断扩大,使得各种设备不断增多并趋于更加智能化,工业系统逐渐向智能制造系统发展,整个工业过程越来越复杂,从而各种各样故障的产生在所难免。这种复杂的工业系统在运行过程中,一旦某个环节出现故障,将会影响整个系统的正常运行,严重的还可能导致系统的崩溃。因此,对工业过程进行实时监测,对将要出现的故障进行及时检测与诊断,对发生故障的原因进行准确判断,是现代工业过程中不可缺少的一部分,这将为整个工业系统的安全稳定运行提供有力的保证。以往故障检测与诊断的研究对象主要集中于独立的大型复杂设备,重点研究其故障检测和故障原因诊断,或者仅对故障分类进行研究。但是,随着信息技术的发展,工业过程中所涉及的所有设备和系统通过网络形成了一个庞大复杂的系统。在这种复杂系统下,故障的类型大大增加,涉及的变量越来越多,故障的检测和诊断更加困难,仅仅检测并诊断出故障原因已经不能为解决故障提供充足的依据,需要对故障检测、故障原因诊断以及故障类型识别进行系统的研究,使故障检测与诊断识别过程统一而完整。因此,针对日益复杂的工业系统,研究如何实现有效的故障类型识别很有必要,在传统的故障检测与故障诊断的基础上引入故障类型识别,可使故障检测与诊断过程更完善,为进一步处理故障提供有效的参考和有力依据。本文以基于网络的复杂工业系统为研究对象,在深入分析PCA与k-NN方法的基础上,对基于PCA的故障检测过程、基于贡献图的故障原因诊断过程以及基于k-NN的故障类型识别过程进行了系统研究。由于在复杂的工业过程中,对设备进行故障检测与诊断往往需要考虑整个生产过程中的相关变量,现代以网络构成的复杂工业系统所涉及的变量大大增加,这种现状给统计分析造成了较大困难。主成分分析(PCA)方法,作为一种多元统计分析方法,可以有效地找出数据中最“主要”的变量结构,去除噪声和冗余,降低原来复杂数据的维数,找到隐藏在复杂数据之中的简要结构,大大简化整个分析过程。因此,本文首先运用PCA进行故障检测,找到故障。接着,采用贡献图法进行故障原因诊断,对故障变量进行判断,确认引起故障的具体数据变量。然后,将k近邻(k-NN)这种具有较高分类准确率而被广泛应用于文本自动分类等领域的机器学习方法引入到故障类型的识别领域,以k-NN分类方法为基础对复杂工业系统的故障类型识别方法进行研究。针对k-NN方法会因样本分布不均匀而易造成误判、k值的大小选择也会影响分类效果等主要问题,在k-NN的优化方法LMC的基础上,针对复杂工业系统的特点提出了N-LMC方法。该方法利用更注重维度之间差异的夹角余弦距离来衡量样本数据之间的相似度,优化了LMC的分类效果,更加适用于复杂工业过程中的多维数据分类。接着,针对庞大复杂的故障数据,结合PCA方法对故障数据集进行降维,将N-LMC方法应用于具体故障数据的类型识别中。最后,通过MATLAB仿真实验实现了针对典型数据集的故障检测、故障诊断和基于本文提出的N-LMC方法的故障识别。实验结果表明,本文所提出的N-LMC方法比k-NN和LMC分类方法的准确率更高,且更适用于复杂的多维数据分类。然后通过纵向对比实验验证了将N-LMC方法与PCA结合后对故障数据的故障类型进行识别的有效性,并与已有的类型识别方法——LMC、NBC和SVM三种方法进行横向对比,结果显示算法更简单、识别速度更快、准确率较高,识别的综合性能更好,能够为进一步处理故障提供有效的参考和依据。