随着科技的发展,工业过程的复杂性日益提高,为了保证生产过程的安全性、可靠性,提高产品质量,减少生产成本,各种设计方案、控制策略、优化算法层出不穷。过程监控是个系统工程,需要紧密结合自动控制、人工智能、计算机科学、模式识别以及系统工程的相关学科知识,从而提供高控制系统的可靠性和安全性。本文主要针对流程工业中的过程监控问题,提出了几种智能多故障识别诊断方法。主要工作有如下几点。主元分析方法通常与Hotelling T2和平方误差预测(SPE)统计量方法相结合,来解决线性、类别较少的故障检测和分类问题。本文首先运用三类鸢尾花数据作为实验样本,将选取某类作为基准样本,训练出主元模型,运用Hotelling T2和Q统计量方法对其余两类进行检测,从而判断是否是基准样本的同类。同时将其他两类样本投影到基准样本的得分空间,从二维主元分布图就可以明显看出每类样本的分布,从而达到识别的效果。本文第三章提出了一种PCA_SVM的多故障分类方法,运用传统PCA方法对故障数据进行降维,并将所有故障数据投影到正常工况样本的PCA主元空间中,由正常数据样本计算出T2统计量的阈值,根据Hotelling T2统计原理,对所有故障数据进行检测,将检测到的故障样本通过SVM的多分类方法进行故障分类。通过TE过程仿真平台的实验表明,PCA_SVM方法与PCA_KNN、C_SVM方法相比较,算法简单,容易实现,计算速度较快,同时可以达到较高的多分类准确率。此外,本文还采用了流形学习方法中的局部切空间整合算法(LTSA),将其作为多类故障数据的降维工具,并提出一种集成的支持向量机分类(CSVM)思想,在多分类过程中,对每个2分类器的核函数进行选择,择优选取分类效果较好的核函数,从而建立一个集成分类器,能够对新进的样本进行准确分类。将LTSA和集成SVM方法进行结合,运用LTSA对数据进行降维处理,然后把数据输入到SVM的不同核函数的二分类器中进行训练,并通过测试样本进行实验测试,实验表明,LTSA CSVM跟其他的支持向量机分类方法比较具有一定的优越性。