如今化工生产系统具有大型化和复杂化的特点,监测系统运行过程会生成大量高维数据,利用数据驱动的故障诊断方法可以有效处理这些高维数据,发掘故障信息,为安全生产和高效生产提供帮助。传统的数据驱动故障诊断方法需要假设数据符合高斯型分布,然而这个假设是不符合实际的。本文提出了最小最大概率机故障诊断方法来解决该问题,并且结合了工业过程的特点进行了方法的改进,具体研究内容如下:根据故障诊断中需要诊断多个类别的情况,改进了目标函数,弥补了传统费舍尔判别分析故障诊断方法容易受主导类别影响的缺点。为了使分类后的数据包含更大的信息量,本文采用施维茨正交法来求解多维投影向量。提出了动态最小最大概率机方法,使用了数据扩充的方法处理数据相关性,考虑了工业数据的相关性。最后,本文使用信息准则选择多维投影向量的阶次和数据扩充的阶次,使模型的性能最优。本文将提出的基于最小最大概率机故障诊断方法在田纳西伊斯曼(TE)过程中进行仿真实验。在TE过程的多个案例中,从多个方面验证了算法的性能,证明了方法的适用性。