随着工业过程规模的不断扩大,系统的复杂性越来越高,保证系统高效、安全运行成为提高产品质量和经济效益的关键。要保证系统的安全、可靠,必须建立行之有效的过程监控和故障诊断。在过程监控中,可以采集和存储大量的测量数据,通过对这些数据的处理从中得到系统状态,及时的对系统故障进行处理,故障诊断就是在这样的背景下逐步发展起来的。本文在田纳西-伊斯曼过程(TEP)基础上对故障诊断技术进行分析。TEP包含了典型的过程工业中的三反一转过程,具有一定的代表性。TEP包含较多的变量,某些变量间存在相关性,用原始测量数据分析系统性能效率比较低,因此我们选用了主元分析(PCA)来进行故障检测。通过PCA的检测结果,我们发现传统的PCA无法正确识别出系统故障,因此我们对比使用了核主元分析法(KPCA)来进行故障检测。对于故障识别和故障分类,我们选用了支持向量机的方法。支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力,在故障识别和故障分类中取得了良好的应用。经过仿真,在故障检测中PCA方法的误诊率和漏报率非常高,无法正确检测出系统是否发生故障,而KPCA算法的误诊率和漏报率则得到了大大提高,可以应用到TEP检测中。支持向量机方法可以正确识别出造成故障的变量,正确识别出故障的类别,达到了故障识别和故障分类的效果。