故障诊断技术对于提高被控过程的运行安全、保障生产过程的平稳连续性具有重要的理论和应用价值。现代化工过程采集并存储了大量的数据,为基于数据驱动的故障诊断方法提供了研究契机。本文针对连续化工生产过程存在的多变量、非线性、多模态等特点,结合流形学习理论,研究基于流形特征提取的故障诊断新方法。本文的主要研究工作如下:(1)针对化工过程多维观测数据的非线性相关性及变量自身的序列相关性问题,提出两种基于非线性流形特征提取的故障诊断方法—差分进化动态自译码神经网络(Differential Evolution Dynamic Autoencoder,DDAU)方法和改进的动态等距离映射(Improved Dynamic Isometric Mapping,IDISOMAP)方法。DDAU方法考虑变量自身的序列相关性建立自回归模型,采用自适应差分进化算法训练网络参数,提取高维数据的低维非线性流形特征,并建立统计量实时监控过程变化。IDISOMAP方法首先考虑变量的序列相关性建立采样数据的增广矩阵,采用流形距离代替欧氏距离计算近邻域图,根据采样数据的稀疏分布自适应计算每个采样点的邻域参数,分别在低维流形空间和残差空间建立统计量监控过程。在连续搅拌釜式反应器(Continuous Stirred Tank Reactor,CSTR)和双容水箱液位控制系统上的仿真研究表明,提出的方法能够有效地提取数据的低维非线性流形特征,提高过程故障检测的准确率。(2)针对过程数据中全局与局部结构信息并存的特点,建立基于结构保持流形特征提取的故障诊断模型。传统的局部线性嵌入(Locally Linear Embedding,LLE)算法只能提取高维数据的局部流形结构信息而忽视数据的整体流形结构特征,文中对LLE算法的优化目标函数进行改进,通过调节比例参数能够更为全面地提取高维数据的全局和局部结构信息。在Swiss Roll数据集和双容水箱液位控制系统的仿真研究表明,所提方法可以更为充分地获取数据的全局和局部流形结构信息,提高故障检测的灵敏度和准确度。(3)针对化工过程数据中存在的固有慢特征信息,提出改进的慢特征分析方法和核慢特征分析方法并用于化工过程故障诊断中。改进的慢特征分析方法引入增量协方差矩阵描述高维数据的慢特征信息,结合方差最大化流形特征提取方法构建新的目标函数,并通过特征值分解计算高维数据的慢特征输出信息,同时采用贡献率图法识别故障变量。核慢特征分析方法采用核变换技术将慢特征分析方法推广至非线性过程,提取非线性观测数据的慢特征信息,建立统计量监控过程变化。在双容水箱液位控制系统上的仿真研究说明,所提方法能够获取高维数据中隐含的慢特征信息,准确及时地检测到故障发生。(4)针对化工过程存在多个操作工况的问题,提出一种基于多模态流形特征提取的故障诊断方法—相对等距离映射(Relative ISOMAP,RISOMAP)方法。该方法采用相对测地距离矩阵代替原有等距离映射方法中的测地距离矩阵,降维时通过相对流形测地距离矩阵保持不变,提取高维多模态数据的低维流形特征,同时引入核ridge回归方法估计高维输入数据与多模态流形特征输出的映射关系,基于低维流形信息建立统计量监控过程变化。在CSTR过程和数值算例上的仿真结果表明,所提方法无需工况预判断,能够有效地监控多工况过程。最后,以田纳西伊斯曼(Tennessee Eastman,TE)化工过程作为研究对象,验证本文所提方法的有效性。研究结果表明,所提方法能够有效地获取高维数据的低维流形特征,比传统的故障诊断方法具有更高的过程监控性能。