非预期故障诊断在状态监控/健康管理中发挥着重要作用,在大数据的背景下,数据驱动方法成为了研究热点。本文以卫星姿态控制系统、田纳西-伊斯曼过程等为研究对象,沿着“从框架到方法、从平稳到非平稳、从多批次到单批次、从全数据到半数据、从静态到动态、从理论到应用”的思路开展了非预期故障的数据驱动诊断方法研究。研究要点如下:(1)针对非预期故障,建立了非预期故障诊断的通用过程模型。作为全文的技术路线,该模型规范了非预期故障诊断的过程,确立了数据驱动实现原理。针对平稳数据,介绍并分析了基于单类多元统计分析方法的局限性和应对思路。(2)针对多批次条件下的非平稳数据,构造了基于平滑预处理的检测统计量;评估了预处理对检测性能的影响;提出了基于特征方向的预期故障隔离规则和非预期故障检测规则;构造了一个新的贡献率指标。研究表明,平滑预处理增强了计算的鲁棒性,降低了数据的相关性;特征方向防止了由故障幅值不同引起的误判问题;新的贡献率指标防止了“负贡献”和“故障掩饰”问题。(3)针对单批次条件下的非平稳数据,给出了基于时序建模的改进检测统计量,评估了该统计量的检测性能;给出并证明了校正方差逆矩阵的更新公式,依此提出了改进检测统计量的增量/减量算法。研究表明,改进检测统计量增强了计算的鲁棒性和检测统计量的适应性;增量/减量算法降低了计算复杂度。(4)针对静态结构,建立了潜变量提取、回归和检测的统一权框架,在该框架下,解释了各种潜变量回归方法;给出并证明了关于潜变量回归和检测的三个定理,即参数定理、校正定理和检测定理。研究表明,三个定理成功地刻画了不同方法的转化条件、校正精度和检测性能,为方法的选择提供了理论依据。(5)针对动态结构,给出了稳定核表示的辨识算法;定义了动态模型的特征方向,依此给出了基于特征方向的预期故障隔离规则和非预期故障检测规则;提出了高维故障信息的最优可视化算法。研究表明,特征方向可以用于动态模型的非预期故障检测;最优可视化算法可以为非预期故障隔离提供丰富的空间信息。(6)针对前述各种非预期故障诊断方法,设计开发了非预期故障诊断工具箱。该工具箱集成了部分传统方法和本文的新方法,具有界面友好、功能完善、扩展方便等特点,将为学术交流和故障诊断实践提供便利。