近年来,工业生产设备的自动化水平不断提高,现代工业过程的生产规模呈现大型化、复杂化的特点。若复杂的工业系统出现故障,而无法被及时准确地检测和排除时,将导致严重的人员和财产损失。另外,分布式控制系统等技术在工业过程中的广泛应用,从而产生了大量的工业过程数据。因此基于数据驱动的故障诊断方法已广泛应用于实际工业过程的故障监控中。基于数据驱动的故障诊断方法不需要对系统准确建模,只利用实时采样数据与存储的大量历史数据进行诊断,它可以通过基于大量数据的控制算法应用于各种实际系统,因此具有高效性与普遍性。基于数据驱动的故障检测与诊断技术经过了长期的快速发展,但仍有许多问题有待解决。考虑到复杂工业系统的非线性和非高斯特性,基于数据驱动的故障诊断技术仍需进一步的研究。为消除传统非线性方法故障检测准确率低的缺点,提出一种基于核半非负矩阵分解(Kernel Semi-Nonnegative Matrix Factorization,KSNMF)的故障检测方法。该方法充分考虑到工业过程数据非线性的特点,利用核方法描述原始数据中真实的非线性关系。KSNMF方法首先利用核主元分析法进行白化预处理,包括去除数据变量相关性和对样本方差进行缩放两部分。这样做的目的是降低冗余信息干扰,以及使白化样本尺度归一,即样本内部的变化更加平稳。然后利用半非负矩阵分解(Semi-Nonnegative Matrix Factor-ization,Semi-NMF)方法找到原始数据中的部分表示,挖掘数据中的本质结构,体现“部分构成整体”的概念。Semi-NMF方法不仅起到降维的作用,还能够在低维子空间中保持数据的局部结构。以田纳西伊士曼(Tennessee Eastman,TE)过程为研究背景,利用TE过程数据对新方法进行仿真验证。为消除Fisher判别分析法故障诊断率较低的缺点,提出基于核半非负矩阵分解和不相关最优判别向量法(KSNMF-UODV)的故障诊断方法。KSNMF-UODV方法主要思想是首先利用KSNMF模型提取出保留原始数据局部特征的潜在变量,然后将其作为UODV方法的训练集来建立故障诊断模型,从而降低故障的误诊断率。最后,通过TE过程数据仿真验证了该方法的可行性和有效性。