化工生产的过程监控与故障诊断一直是流程工业系统关注的主要问题之一。实时监测系统的过程变量，根据变量的异常变化对其进行故障诊断，是安全生产中十分重要的问题。这类过程监控变量较多、变量之间相关性较强，过程中控制系统又提供大量的实时数据难以处理。针对上述问题，本文以多元统计分析为理论基础，以化工过程为研究对象，抓住化工系统的复杂性、非线性、故障小样本等特征，着重研究适用于化工过程故障检测与故障诊断的方法，并将这些方法在实际问题的应用中进行验证和推广。　　 本文主要工作和贡献有以下几个方面：　　 1．针对化工过程数据包含噪声和强非线性的特点，提出一种改进的核主元分析故障检测方法。该方法从以下两个方面完善KPCA故障检测性能：（1）过程数据通过小波包变换，消除噪声和干扰的影响，增加过程故障检测的准确性。（2）针对KPCA方法中核矩阵的计算量大的问题，提出用特征向量提取方法选择样本子集，然后用样本子集建立KPCA模型。这种基于特征向量提取算法的改进KPCA方法，大大降低了KPCA计算的复杂性，缩短计算过程的时间。通过非线性过程TEP仿真表明，在此基础上对化工过程进行故障检测，所提出的方法在故障检测方面优于传统的KPCA方法。　　 2．核主元分析方法对过程进行监控时，尽管可以对过程是否异常进行检测，却无法得知何类故障导致的过程异常，针对这个问题以及故障数据小样本的情况，提出了基于核的非线性特征提取算法和支持向量机结合的故障诊断策略。核的非线性特征提取采用核主元分析方法，提取模型所需的特征向量，结合泛化性能强、处理小样本能力突出的支持向量机，建立基于KPCA-LSSVM组合诊断模型。另外，为实现LSSVM多类分类，本文构造了一种二叉树分类，实现多故障分类。TEP仿真表明整个方法是有效的。　　 3．提出了基于核独立元和Fisher判别分析的非线性过程监控与故障诊断方法。针对化工过程往往为非线性过程且过程变量满足非正态分布的情况，提出了一种将核独立元分析（KICA）和Fisher判别式分析（FDA）两种技术有机地结合起来的混合故障诊断模型--KICA-FDA模型。它包括两个模型：KICA模型和FDA模型。其中，KICA模型用于提取过程独立的关键变量；FDA模型用于故障诊断。KICA模型综合了KPCA和ICA的优点，能够将原始的过程数据映射到高维特征空间，然后在特征空间中可以按线性情况实现ICA算法；基于KICA-FDA故障诊断方法采用KICA提取过程的少数变量，并使这些变量统计独立，所以更有助于故障诊断。通过TEP数据分析，与其它方法对比，验证了所提出的方法在非线性、非正态分布的过程监控与故障诊断中的可行性和优越性。　　 4．针对实际故障样本难以取到的问题并结合广石化常压蒸馏过程的案例特点，应用KPCA和FDA贡献图的方法对实际的常压蒸馏过程中的常压炉实现多元统计监控与故障诊断，为进一步的对整个常压蒸馏过程的多元统计监控模块化设计和实施奠定基础。　　 最后，对全文进行了总结，提出有待进一步研究的课题。