随着传感技术、存储技术以及工业过程复杂度的发展,工业数据信息变得越来越丰富。因此,基于数据驱动技术的工业过程监控方法越来越受欢迎。其中,多变量统计过程监控(MSPM)已被广泛地应用于解决过程监测的问题。基于PLS的故障重构方法已经广泛地应用于故障诊断之中。但是,这种方法没有结合过程正常工况数据。所以,提取的故障特征方向不能有效分离故障数据中的正常信息与故障信息。此外,MSPM适用于单一的生产环境。但是,不同的外部环境、多样化的产品和不同的生产原料都会导致不同的生产模式。本硕士学位论文在前人工作的基础上,针对非线性过程和多模式过程监测中的故障诊断问题,做了以下工作:(1)首先,提出了核共变偏最小二乘算法(KCPLS),它可以建立更加完整的监测模型。然后提出了基于KCPLS重构的故障诊断方法:在传统方法的基础上,进一步分析了故障数据与正常数据的关系,进而提取出各类别故障中导致监测统计量超限报警的故障特征方向。利用所建立的各类别故障的重构模型依次对现场故障数据进行故障重构。当被监测的故障所对应的故障模型能够正确去除数据中的故障信息,消除监测统计量超限报警现象时,即可确定故障类别,达到故障诊断的目的。青霉素发酵过程的故障数据的重构结果验证了所提方法的有效性。(2)针对非高斯多模式过程的模式识别和故障诊断问题,提出了基于模式间相对分析重构的多模式过程诊断方法。通过计算初始模式和各变化模式的独立元并根据其找到初始模式和各变化模式的相对变化,提取出各变化模式相对于初始模式不变的部分、增加的部分、和减少的部分。同时,考虑到方差大的数据有可能盖过方差小的数据的有用信息,进一步将分割的三个部分划分为主元空间和残差空间。最终,将各主元空间和残差空间进行建模。完成了模式的空间划分后,对其进行重构。通过计算故障数据的幅值和方向对故障数据进行重构从而获得正常信息,完成故障的诊断。田纳西过程的实验结果说明了本文提出方法的正确性。与传统的多模式方法相比较,实验结果说明了本文提出方法的优势。