现代化工业生产中自动化水平越来越高,由于各种控制策略与控制算法的不断改进,需要人直接参与控制的系统越来越少,这将大大提高设备利用率,促进国民经济的快速增长。工业现场环境恶劣,往往存在各种电磁干扰,同时由于机器设备的老化及人为错误操作等因素,以致生产过程出现各种非正常状态。要提高控制系统的自动化水平,就必须对过程实时监控,通过对非正常状态过程数据进行分析,快速准确地做出判断,自动的进行相关操作。基于数据驱动的故障诊断技术不需要建立精确的数学模型,只需利用过程的正常历史数据和实时采样数据即可建立模型进行故障诊断,对于难以建立精确数学模型的复杂化工过程具有良好的实用性和通用性。在实际的化工过程中,制造质量合格的目标产品是生产的主要目的。相对于主元分析法对过程进行全面的诊断,偏最小二乘法利用产品质量数据对过程数据进行回归,属于有偏估计,更适合针对最终产品质量进行故障诊断,具有广泛的实际应用价值。本文主要针对化工过程中过程变量与质量变量之间普遍存在的强非线性问题,对质量相关故障具有较高检测率的全潜结构投影法(T-PLS)进行改进,其主要工作如下所示：1.针对T-PLS算法的线性模型本质属性,即在检测过程数据间存在强非线性关系的过程故障时误报率和漏报率较高的缺点,本文提出了核T-PLS算法。该算法首先利用核函数将过程数据与质量数据之间的非线性关系实现线性化,即将低维的过程数据及质量数据通过核函数,非线性的映射到高维特征空间,实现线性可分,然后在特征空间中建立过程数据与质量数据的线性T-PLS模型。利用TE基准过程数据验证该算法的有效性,多种故障模式下的仿真结果表明,针对数据之间存在强非线性关系的故障,经核函数线性化处理后的核T-PLS模型比标准的T-PLS模型具有更高的故障检测率2.针对单一核函数难以兼顾过程全局特性与局部特性的缺点,本文结合实际过程的先验知识,提出了混合核T-PLS模型。该模型利用由具有局部特性的径向基函数与具有全局特性的多项式函数相结合的混合核函数实现非线性过程数据之间的线性化。混合核T-PLS模型能够根据实际过程的先验知识调节各个函数的加权参数,从而获得最佳的故障检测效果。TE过程的仿真结果表明,由于混合核函数同时包含过程的局部和全局特性,对于非线性过程,基于混合核函数的T-PLS模型能够给出更高的故障检测精度。3.针对传统贡献图法由于闭环控制作用导致过程数据之间相互污染,进而导致故障辨识结果不准确的缺陷,本文利用基于重构的贡献图进行故障识别。该方法以先验知识为背景,根据传统贡献图给出的各个变量对特定故障的贡献大小,确定候选故障子集；然后将故障数据分别沿着候选故障子集中的每一个故障方向进行重构,并利用重构数据计算监控统计量。当某一特定故障方向重构数据的监控统计量回落到其相应的控制限内时,则可以断定该故障方向为实际发生的故障方向。基于重构的广义贡献图法应用于TE过程,仿真结果表明广义RBC能够精确地辨识出过程实际发生的故障,从而验证了该方法的有效性。4.针对间歇过程测量数据完整样本难以实时获得,各批次数据之间由于原材料、操作条件等变化导致控制限漂移的问题,本文提出了多向核T-PLS算法。该算法首先将由间歇过程获得的各批次三维过程数据按照采样时间先后顺序依次排列成二维数据矩阵,然后利用核函数对非线性数据进行线性化处理,最后在高维特征空间中建立T-PLS线性模型进行故障诊断。由于间歇过程各批次数据之间必然存在差异,因此监控统计量的控制限需要实时调整,保证了最新批次的故障检测精度。青霉素发酵过程的仿真实验表明,针对间歇过程的多向核T-PLS算法具有更高的故障检测精度,对间歇、半间歇生产过程的实时监控具有普遍适用性。