近年来过程工业不断向集成化、复杂化发展,有效的故障诊断技术是保证系统安全、生产效率的关键,因此也受到越来越多的重视。基于数据的方法不依赖于过程知识,同时可以实现可靠的过程监测,因此受到广泛关注。由于数据的结构复杂,存在非高斯、非线性、多模态等问题,导致故障分类结果不能达到预期。因此本文针对基于统计方法的数据驱动故障诊断理论进行研究,主要内容如下:(1)针对复杂工业过程的特点,提出了基于变量加权可分性子类判别分析(variable-weighted separability-oriented subclass discriminant analysis,VW-SSDA)的故障诊断方法,用于解决过程数据非高斯、多模态,并且在投影空间有重叠的问题。根据变量与故障的相关性对其加权;利用基于可分性标准的聚类将每类故障数据划分为子类,利用子类重新定义并优化FDA的散度矩阵。通过大量针对TEP过程的实验,验证了该方法可以保留更多分类信息,并显著提高故障分类精度。(2)提出了具有变量加权的局部类别特异性判别分析(local class-specific discriminant analysis with variable weighting,VW-LCSDA)模型,用于解决基于FDA的故障诊断方法过度降维以及忽略数据局部结构信息的问题。通过评估故障对每个特征的影响来对变量加权。此外,使用CSDA(class-specific discriminant analysis)的类内和类外散度矩阵进行特征提取和分类。另外,参考LPP(Locality preserving projection)方法,保留样本数据的局部结构,并用于优化散度矩阵。该方法的性能也通过实验得到了验证。(3)针对流程工业的过程数据非线性的特点,提出两种非线性的故障诊断方法,基于核可分性子类判别分析(kernel separability-oriented subclass discriminant analysis,KSSDA)以及基于核局部类别特异性判别分析(kernel local class-specific discriminant analysis,KLCSDA)。使用核方法,对非线性数据进行高维度映射,并用前面提到的SSDA、LCSDA方法在高维空间找到数据的线性关系。通过基于TEP过程的实验验证了该方法的有效性。(4)提出基于并联Adaboost的故障诊断方法。鉴于集成方法的稳定性、泛化性强等特点,将Adaboost用于故障诊断,并使用加权融合的方式,构造并联模型。在训练并联模型前,通过评估变量与故障的相关性,并以此为概率做特征提取,生成新的训练集。使用FDA作为基础分类器。通过实验验证了模型的有效性。