随着科学技术的发展与进步,现代工业的规模日益宏大,结构日趋复杂,研究如何进一步提升工业系统运行的可靠性与稳定性具有重要意义。本文以非线性工业过程为对象,结合流形学习理论,分别对非线性、多变量以及多模态工业过程的故障检测问题开展研究,具体工作如下:1)针对工业过程中监控数据高维数、非线性且易受噪声干扰的问题,提出一种基于改进等距映射流形学习方法与支持向量机相结合的故障检测方法。首先针对流形学习算法极易受到噪声影响的问题,本文提出了标准化残差的等距映射算法,在构造统计量基础之上对数据流形进行重构。然后对重构的流形进行残差分析,在置信区间内隔离噪声,提取噪声环境下高维流形中的低维非线性主元,增强流形学习算法对噪声的鲁棒性。最后结合支持向量机结构风险最小化的特点,构造故障检测模型,选择适合过程监控信号的径向基核函数对低维聚类数据进行训练学习,实现含噪声非线性监控数据下的故障检测。2)对多模态非线性工业过程中的故障检测方法开展研究,提出了一种基于改进局部切空间排列算法的故障检测方法,在该方法中首先通过构造变量来描述监控数据中多元变量之间的相互关系,并以此来构建全局坐标,通过代价最小化来完成相互关系的非线性主元特征的提取。然后建立增量学习机制,并构建矩阵相似统计量,对过渡矩阵进行更新,有效地维持数据规模,提高故障检测的快速性。最后,建立T~2、SPE监控量,对工业系统进行在线监控,对系统故障进行准确识别。3)以TE过程为对象进行仿真试验,首先在TE过程中加入高斯白噪声以模拟实际工业过程,并通过改变噪声的比例和故障类型来验证故障检测模型的适用性。其次,在TE过程的不同运行模态下,采用本文所提的多模态过程故障检测方法进行仿真试验,并将试验结果与其他故障检测方法进行比较分析,试验结果均验证了本文所提的故障检测方法的有效性。