工业过程具有规模性大、复杂性高、变量多、关联性强等特点,如何从数据出发准确、快速地发现故障并处理,保证过程高效运行意义重大。而且工业过程数据具有高维、非线性的特点,因此提取数据特征对于故障诊断非常重要。另外,一个准确、可靠的故障诊断系统对于工业过程的正常运行具有重要作用。基于此,本文以局部线性嵌入(LLE)和指数判别分析(EDA)为基础,提出了几种改进的故障诊断方法,并通过TE仿真平台及青霉素发酵过程仿真平台进行了验证。首先,提出一种改进的针对间歇过程的故障识别方法——核指数判别分析方法(KEDA),利用基于差异度的性能指标进行故障诊断。KEDA方法结合了核方法和EDA方法的优点,在处理非线性、小样本问题上展现了很强的能力,并且在分类性能上有明显的改善。在故障识别的实际应用中,首先根据历史数据建立已知类别的正常模型和故障模型。然后,将在线测量数据输入到这些模型中,以识别当前的操作状态,即系统处于正常状态还是故障状态。若为故障状态,该方法可判断何种故障发生或是否出现了新故障。其次,结合LLE和EDA方法,提出两种改进的指数判别分析方法:局部线性指数判别分析(LLEDA)和邻近保持嵌入判别分析(NPEDA)。这两种方法都将全局判别分析与局部几何结构相结合。其中,LLEDA是一种并行策略,旨在寻找一个平衡局部几何结构和全局数据分类之间的投影矢量。NPEDA是一种级联策略,其降维过程分为保持局部结构与判别分析两步进行。这两种方法在进行全局判别分析的伺时,强调了数据的内在结构,仿真表明,相比于传统的指数判别分析方法(EDA),其具有更好的识别能力。最后,针对复杂的工业过程,提出了一种多方法结合的混合型过程监控与故障诊断方法,集数据分析、模型库建立、故障及时诊断及可视化等算法为一体。首先通过常规PCA方法对历史数据进行初筛,区分出正常和故障信息,然后利用聚类方法对故障数据集进行分类,再利用局部线性指数判别分析方法(LLEDA)建立故障模型库,最后进行故障诊断。本文将基于监督学习的LLEDA方法拓展到无监督学习,便于复杂工业大量无标签数据的处理。利用典型的田纳西伊士曼过程对所提出的方法进行验证,结果证明了该方法的有效性。