随着工业技术的进步,现代工业生产过程的规模越来越大,复杂程度也越来越高。复杂生产过程装置一旦发生故障,不但会造成巨大的经济损失,而且可能导致人员伤亡和对生态环境的破坏。故障诊断技术可以通过监测生产过程的运行状态、对导致系统功能异常的原因或性质,故障发生的位置及程度进行判断,并且预测故障状态的发展趋势,提出故障消除的对策,从而保障生产的安全及提高产品质量。复杂工业过程的精确数学模型往往是难以得到的,这导致传统的基于模型的故障诊断方法在应用上存在很大的局限性,而随着计算机技术在工业过程控制领域的广泛应用,使我们可以获取大量的过程数据,这为基于数据分析的故障诊断策略的发展创造了良好的基础条件。基于数据驱动的故障诊断方法就是以生产过程数据为基础,通过各种数据处理与分析方法挖掘出数据中隐含的信息,完成对复杂过程的故障检测、分离、评价及决策的,以提高过程监控能力。本文以典型化工生产过程中的高复杂性、强耦合性、非线性、不确定性系统对象,研究基于数据驱动的复杂工业过程新型故障诊断算法。首先,针对核主元分析算法中的核函数形式选取问题进行了研究,通过对典型核函数的特性进行分析,构造了一类新的核函数形式,并基于此提出了一种改进的核主元分析故障诊断算法,通过仿真实验证明该算法不但对局部信息敏感,而且具有很强的泛化能力,能够较准确的发现故障信息。其次,研究了基于信息熵的特征选取和故障诊断问题,对基于互信息的特征选取及故障诊断方法进行了深入的研究。针对互信息在高维空间下难以计算的问题,在特征信息不严重背离均匀分布的条件下提出了一种新的基于二阶互信息的特征选取算法,可以自适应地估计出候选特征与已选特征之间关于输出类别的冗余信息,无需预先人为设定与特征冗余程度有关的参数,算法能够提供准确的特征评价准则,具有很高的故障诊断率和模型适应性。再次,将核变换引入到部分最小二乘算法中,建立了一种改进的跟踪递推最小二乘故障诊断模型。该方法通过非线性映射将过程数据从低维的输入空间映射到高维的特征空间,实现了变量之间非线性相关关系的线性转化,通过引入跟踪因子,提高算法的预测精度和时变跟踪能力。然后,提出了一种在输入输出乘积空间中利用Gustafson-kessel模糊聚类建立故障诊断模型的方法,通过引入模糊故障度的概念,不仅能识别数据集中故障模式的不同形状和方向,而且具有很强噪声处理能力。最后,以典型工业过程为对象,针对本文上述故障诊断模型及算法进行了实验验证。