在工程应用和学术研究中,故障诊断已经受到越来越多的关注,而数据驱动方法在过程控制的故障检测和诊断中有广泛的应用。被广泛使用的数据驱动方法都是起源于计算机科学的典型的机器学习方法,如人工神经网络、隐马尔科夫模型和支持向量机等。但是,多元变量分析似乎只对处理处于稳定状态的动态系统和大规模系统的高阶水平才有效,相对而言,子空间辨识方法迅速发展,逐步成为系统辨识研究中的主流,它为高阶动态系统和处于过程水平的控制环路的FDI问题提供了更有效和强大的工具。以应用角度来看,基于子空间辨识方法,从原始数据到最后的完成需要三个阶段:系统辨识,故障检测和辨识系统设计和故障检测和辨识系统的在线实现。而基于模型的FDI系统包含两部分即残差生成和残差估计,其中又包含阈值设定和做决策。另外,子空间辨识方法的基本计算工具是QR分解和奇异值分解(SVD)子空间辨识方法的最大优点在于他能像基于机理模型的FDI系统一样能够提供高性能的FDI模型,但它没有复杂的系统设计,即子空间辨识方法不像其他辨识方法一样需要实行模型参数化和非线性最优化,从而提高效率并减少了计算复杂度。文章通过存储输出输入数据,我们可以得到一些与生成状态空间模型的信号的系统矩阵相关的子空间,这可以成功地实现故障诊断并减少算法的复杂度。其次,文章通过引入赤池信息准则对系统阶数进行辨识,与传统的奇异值分解方法进行比较并分析其优劣,获得相对较好的效果并降低计算复杂度,在一定程度上改进了原有算法。在数据比较庞大时,奇异值分解会导致计算量过大,奇异值之间差距很大,故在确定最优的阶数时有一定的主观性;相反,数据量越大时,根据统计学的知识,赤池信息量的确定更为有利,直接获取相对较优的阶数。最后,文章运用田纳西伊斯曼过程的数据进行仿真,进一步对所改进的算法法进行了直观验证。