随着工业生产设备的自动化水平不断提高,现代工业过程更趋向于集成化、复杂化和智能化。如何准确及时地排除生产过程中的故障,对于保证生产安全至关重要。近几年,传感器技术和数据实时存储技术飞速发展,工业生产中的大量过程数据得以保存下来。因此,怎样充分提取大量工业过程历史数据中的数据特征成为故障检测中的关键一步。考虑到实际工业过程的数据具有高维数、非线性和高斯性等特点,传统的单一的特征提取方法已经不能满足提取丰富数据特征的要求。对传统的特征提取方法进行改进,主要内容包括以下方面:(1)由于核局部保持投影在局部保持投影方法的基础上加入核函数,因此该方法在保留了局部保持投影的特性外,与局部保持投影相比,可以更好地处理非线性数据。除此之外,核局部保持投影还得到一个非线性近似的投影矩阵,通过该投影矩阵可以快速得到待测样本的低维表示,很好地解决了样本外点问题。但是核局部保持投影只能提取原始数据的局部近邻结构信息,无法得到原始数据的全面特征信息。因此,考虑将具有保留全局信息的核主元分析与核局部保持投影相结合。同时考虑到样本数据尺度大小不同会影响分类边界的确定以及进一步影响故障检测率,将核主元分析过程中得到的特征向量进行缩放,使得数据内部的波动变化更加平稳,然后再将核主元分析结合到核局部保持投影中,提出了改进核局部保持投影方法。以TE过程为研究背景,利用TE过程数据对所提方法进行仿真实验,仿真结果验证了所提方法的有效性。(2)因为传统的T2统计量和SPE统计量分别采用不同的度量方式,所以不能联合统一成一个统计量进行故障检测,进而会导致产生不同的故障检测结果。为了避免T2统计量和SPE统计量的缺点,选择运用支持向量数据描述方法建立故障检测模型,并利用距离统计量和半径控制限作为检测故障是否发生的依据。进而与改进核局部保持投影方法相结合,提出了一种基于改进核局部保持投影支持向量数据描述的故障检测方法。同样利用TE过程数据验证所提方法的有效性。