随着现代工业过程越来越复杂,人们对生产的稳定性、高效性和安全性的要求日益提高,故障诊断方法越来越受到重视。为了更准确、及时的诊断复杂工业过程中的各种故障,就必须研究更完善的故障诊断理论与方法。本文首先介绍了故障诊断技术的发展,阐述了各种故障诊断技术的方法及其类型。然后介绍了各种基于多变量统计的故障诊断方法。其中,详细介绍了独立成分分析算法(ICA)。ICA算法是近几年才发展起来的一种新的基于多变量统计的故障诊断方法。该算法通过最大化独立成分的非高斯性(独立性)求得独立成分,进行故障诊断。其优点是不用像主成分分析方法(PCA)那样假设过程变量满足高斯分布,并且可以利用过程变量的高阶统计信息。这都使得ICA算法比PCA算法更实用。但ICA算法也有其不足之处。尤其是现在比较流行的定点独立成分分析算法(FastICA),虽然在引入牛顿法后具有了收敛速度快等优点,但是也出现了当初始点远离极值点时可能无法收敛等缺点。这些都降低了ICA算法的故障诊断性能。为了改善其不足之处,本文用粒子群优化方法代替FastICA算法中的牛顿法,并且重新提出了一种独立成分的排序方法,构成PSO-ICA算法,使得故障诊断结果更加准确。ICA算法在质量预测方面的延伸是独立成分回归算法(ICR)。ICR算法也具有和ICA算法相同的优点。这使得ICR算法比偏最小二乘算法(PLS)在质量预测方面更加实用。但是ICR算法也存在自身的缺点,即该算法仅仅从过程变量中提取独立成分,所提取的独立成分与质量变量之间没有紧密的联系,这样就降低了ICR算法的质量预测性能。针对ICR算法的这种缺点,把PLS算法中过程变量与质量变量之间的关系,即质量信息的概念引入到ICR算法中,构成Modified ICR算法。这种算法修正了ICR算法提取独立成分时所用的优化目标函数,使独立成分的选取不仅仅考虑独立性问题,同时兼顾独立成分与质量变量之间的相关性。这就使得选取的独立成分更加适合质量预测,大大提高了质量预测方面的性能。本文还将提出的两种方法应用到了田纳西-伊斯曼过程和连退过程中,分别对它们的故障诊断性能和质量预测性能进行了检测,并通过与其他方法的对比,验证了本文提出方法的有效性。