随着生产过程和设备的复杂化,故障发生的情况日益增多,且故障的危害也越来越严重,因此故障诊断技术对于保障生产过程和设备安全具有重要意义。由于计算机集散系统的发展,大量故障数据被记录和保存下来,基于数据驱动的故障诊断方法逐渐兴起,其中局部费舍尔判别分析能够较好地分离不同类型的故障,在故障诊断领域受到广泛关注。然而局部费舍尔判别分析仍然存在缺陷,如无法处理非线性问题和小样本容量问题。本文围绕局部费舍尔判别分析,提出一系列改进措施,提高故障诊断的性能。全文主要内容包括:针对故障数据非线性特征的多样性,本文提出一种多核局部费舍尔判别分析模型,该模型通过权重系数将多种核函数集成为一个多核函数,再将原始故障数据通过多核函数映射投影至高维特征空间,最后在空间中采用局部费舍尔判别分析降维。该模型能够全面地描述不同故障的非线性特性,从而增强模型的非线性特征提取的能力,提高故障诊断的精度。考虑到核映射会造成数据维数变高而导致小样本容量问题,本文采用一种矩阵指数化的策略改进散度矩阵。该策略使得模型的散度矩阵始终是可逆的,从在求解特征值和特征向量时保留原始散度矩阵零空间的判别信息。此外,矩阵指数化策略增强了样本之间的边缘效果,使得模型的判别能力得到加强。针对多核局部费舍尔判别分析参数选择的问题,采用改进粒子群优化算法优化参数。改进粒子群优化算法通过种群初始化、控制参数调整和种群多样化等一系列设计,增强了收敛速度,同时获得了更优的解。优化的多核局部费舍尔判别分析不仅具有最优的参数设置,还能适应不同的故障诊断场景,具有一定的泛用性。本文通过TE过程和6S35ME-B9船舶柴油机工作过程的仿真实验,证明了上述方法能够较大程度地提高故障诊断的精度,验证了本文所提方法在的有效性和实用性。