随着工业生产过程控制系统内部联系越来越紧密,局部故障的发生往往影响整体的生产。牵一发而动全身,一旦某一处发生故障,若无法得到及时的故障检测、故障类型的诊断以及故障的排除,很可能造成整个系统的生产停滞而带来大量的经济损失。在整个工业发展的进程中,出现了各种各样的故障诊断方法,它们应用于不同的工业生产过程、不同的行业之中。正是由于应用场所和基本原理不相一致,使得现有方法都各具优缺点。而大量传感器以及智能仪器可产生大量反映生产过程运行状态的数据,这些实时数据可通过所建模型完成故障诊断。这种基于大量数据训练的诊断算法可应用于实际系统中,具有较大的实用价值。针对工业生产过程采样数据的高维、非线性的特点,提出了一种基于核凸非负矩阵分解算法的故障检测方法。该方法的创新之处即在核空间中对非线性数据实现维数约简并进行方差缩放,使得不同故障的样本波动一致;在考虑全局信息的基础上进一步挖掘数据的局部特征,保证了故障检测识别过程中能够充分利用数据的边缘信息,从而发现不同数据类别的细节性变化以提高检测的准确率。该方法首先利用核函数在高维空间中重构原始输入数据,利用主元分析法对映射后的数据进行白化预处理,以消除数据变量之间的相关性,对样本方差进行缩小或放大操作,使样本内部变化更加平稳。然后,利用凸包非负矩阵分解方法寻找白化后数据的本质结构;同时,利用图正则化约束保持数据集在整个分解过程中的固有几何结构不发生改变。最后,基于核凸非负矩阵分解算法建立N2和SPE统计量,通过核密度估计方法得到N2和SPE控制限,对待测样本进行故障检测。采用田纳西伊斯曼过程故障检测数据进行仿真实验表明,核凸非负矩阵分解算法对于工业过程数据故障检测具有较好的检测效果。又进一步提出了基于核凸非负矩阵分解的支持向量机算法的故障诊断方法。该方法利用核凸非负矩阵分解算法将原始输入矩阵映射到高维的核空间中进行数据重构,并对重构样本作白化处理,令非线性样本实现线性降维操作。凸包非负矩阵分解样本矩阵得到基向量矩阵和系数矩阵,利用N2和SPE统计量构建数据故障监测器,对故障的数据进行故障类型的诊断。将故障样本分解得到的基向量矩阵作为分类器的训练数据集,训练得到多分类器。然后,利用田纳西伊斯曼过程中的不同类型的三种故障数据对此方法进行仿真实验,验证了所提方法的有效性;同时,与一般支持向量机多分类器分类结果进行对比,结果表明新方法有助于提高分类器的分类准确率。