随着现代工业过程系统的日益大型化和复杂化，为避免事故发生甚至系统崩溃造成的巨大经济损失，对控制系统的可靠性和安全性提出了更高的要求。因此，研究和开发具有集监控、检测、分离和诊断功能于一身的故障诊断系统已经成为工厂综合自动化发展的迫切需要，对这一问题进行研究具有重要的理论意义和应用价值。同时，随着DCS和计算机技术在过程工业中的广泛应用，大量的过程数据被采集并被存储下来，但是这些包含过程运行状态信息的数据并没有被有效地利用，以致出现了所谓的“数据丰富，信息匾乏”的现象。如何将这些存储的数据变为有用的信息，并结合领域专家的经验知识，从中总结过程运行的深层次信息，从而利用这些信息提高过程监控和故障诊断能力，是目前过程控制领域迫切需要解决的问题之一。　　 本文在介绍基于多变量统计、神经网络以及专家系统的故障诊断方法的基础上，研究了各种基于数据驱动的故障诊断方法。　　 首先在TE过程平台上实现了核主元分析的故障检测。通过核函数将变量由非线性的输入空间转换到线性的特征空间，构造T2和平方预报误差(SPE)统计量检测故障的发生。并将利用这一方法得到的检测结果与利用PCA监测结果进行对比研究，仿真结果表明，与PCA检测结果相比，KPCA具有更好的效果。　　 在此基础上，提出一种利用核主元分析进行故障识别的方法。该方法为首先利用计算核函数偏导的方法来计算各个原始变量对于T2和SPE统计量的贡献率，然后在此统计量基础上提出使用概率神经网络(PNN)对故障进行分类和诊断。利用此种方法所得到的诊断结果和单纯采用PNN技术在TE过程平台上所得到的结果的对比研究表明了该方法的可行性和有效性。　　 本文最后针对某石化企业的丁二烯装置开发了基于DeltaV DCS的故障诊断专家系统。该系统采用OPC技术实现DeltaV和上位机的通信，利用专家系统方法实现故障的实时监控、故障的诊断等功能，使得人机对话和诊断过程分离，增加了该系统的应用价值。所设计系统已投入实际运行，运行结果验证了本文提出方法的可行性。