随着技术的进步,工业过程向着智能化发展。由于设备一般工作在正常状态,只是在很短的时间内处于故障状态,导致采集的各类故障数据呈现出不平衡的特点,给故障诊断带来了困难。同时,采集到的数据还具有不平衡、非线性、强耦合和具有流形结构等特点。如何对不平衡故障样本进行数据生成并提取有效特征,成为提高诊断精度的重要因素。流形学习算法相比与传统故障诊断方法,能保留数据的局部结构信息,提取与故障相关的主要特征。局部敏感判别分析（LSDA）作为一种局部流形学习方法,既能保持局部几何结构,又能充分利用类标签进行判别分析。因此,本文利用两种基于改进SMOTE并集成LSDA的不平衡故障诊断方法,对化工过程进行建模,具体内容如下:（1）本文先提出了一种基于聚类合成少数过采样技术（ClusterSMOTE）集成LSDA的故障诊断方法——c SMOTE-LSDA。其中,c SMOTE通过K-Means算法对少数类进行聚类,先划分出若干个少数类簇,再分别应用SMOTE算法。该算法不仅可以滤除噪声和离群值,还使得合成的新样本都处在同一个少数类范围内,避免类间重叠样本的生成,并大大降低计算量。再利用流形学习的LSDA算法对平衡后的高维、非线性样本进行降维,提取有效的数据特征,并采用Ada Boost.M2多分类器进行故障分类。（2）为了进一步提高少数类故障样本的生成质量和故障诊断精度,本文又提出了一种基于改进的合成少数类过采样技术（ISMOTE）集成LSDA的故障诊断方法——ISMOTE-LSDA。ISMOTE使用了欧氏距离和余弦距离共同度量两点之间的邻近性,考虑了直线位置又考虑了空间几何位置,使样本的k个近邻点的选择更加合理,从而得到更有效的实例。该算法成功解决c SMOTE的合成方式单调、未考虑空间位置的问题,提高故障诊断的准确性。（3）最后,本文以田纳西伊斯曼过程数据集为研究对象,来分别验证这两种方法的性能。结果表明,本文所提出的c SMOTE-LSDA方法比传统的故障诊断方法具有更好的故障诊断精度,且经过改进的ISMOTELSDA进一步提升了少数类样本的生成质量与故障诊断的精度,更适用于不平衡故障诊断问题。