随着计算机技术和自动控制技术的发展,过程控制系统的复杂度和规模在不断提高,如果在系统运行过程中操作不当,或因一些突发情况,系统发生故障的可能性也在不断增大,这将导致无法估计的经济损失和人身安全隐患。同时随着自动控制理论、机器学习技术和数据挖掘技术的发展,故障诊断技术也得到了迅速的发展,如何利用故障诊断技术来有效提高系统安全性和可靠性,成为工业界和学术界研究的热点。本文从半监督学习和流形学习相结合的角度出发,主要研究了基于半监督局部线性嵌入算法的故障诊断过程,本文主要工作和贡献如下:(1)阐述了故障诊断的研究现状,并从基于模型和基于数据驱动两个方向对故障诊断技术的发展进行了详细的分析。其中重点研究了基于数据驱动的故障诊断技术,并根据数据本身的特性对该技术提出了一种新的分类方法,即分为监督学习的方法、非监督学习方法和半监督学习的方法。(2)研究了半监督学习和流形学习理论,其中着重对半监督分类算法和流形学习中的各种非线性降维算法进行了研究,并与线性降维算法在Swiss roll数据上进行了实验对比。(3)提出了一种基于半监督局部线性嵌入的故障诊断方法,该方法利用半监督局部线性嵌入算法对采集的数据进行特征提取后得到低维特征空间,在低维特征空间进行故障模式分类以达到故障诊断的目的。并利用半监督局部线性嵌入算法在故障数据上进行仿真,仿真结果表明该算法的故障分类效果明显,具备一定的实用价值。(4)将半监督局部线性嵌入算法应用在TE模型和BSM1污水处理模型上,通过在模型上产生故障数据,验证半监督局部线性嵌入算法的有效性。实验结果表明,该算法能有效识别模型产生的故障,提升了故障诊断效果。