随着工业体系的高速发展与科技水平的不断提高，现代智能制造工业系统已经基本实现超大规模化、高度自动化以及高度智能化，以满足日趋增长的工业需求。由于工业过程的复杂性，导致系统运行中往往不可避免地存在故障的发生。为了确保整个生产过程安全可靠的运行，需要及时检测出系统是否有故障发生，并确定故障传感器所在的位置区域，以辅助工作人员进行后续的故障清除工作。此外，为了得到稳定的产品输出，需要对质量相关的故障进行实时检测，以判断发生的故障是否会对产品质量造成影响。因此，工业过程的故障检测与隔离技术作为实现上述任务的有力手段，对于整个工业过程的安全、可靠与经济运行起到至关重要的作用。

由于复杂工业过程的机理模型难以获取，数据驱动的故障检测与隔离方法成为了近年来工业领域的研究热点。传统的数据驱动方法存在着非线性过程特征表示困难，在线检测实时性不佳，以及故障传感器定位不够精确的问题。对于质量相关故障检测，传统方法在过程变量与质量变量之间建立的关系模型不能较好地用于检测系统中是否发生了对产品质量产生影响的故障。鉴于此，本文以数据驱动方法为基础，分别从故障检测、质量相关故障检测、故障隔离等方面进行深入研究，旨在提高故障的检测率以及故障隔离的精确程度，并准确判断故障是否会降低产品质量。本文的主要研究内容及创新点可归纳如下：

1. 针对基于核方法的非线性过程故障检测任务中存在核参数难以恰当选择、在线检测实时性不佳的问题，提出了一种深度非负矩阵分解（DNMF）的非线性过程故障检测方法。首先，利用神经网络建立了DNMF模型，该模型利用输入数据自动学习出一个恰当的非线性映射，并将输入映射到适合非负矩阵分解的空间中，得到了更好的非线性特征表示；然后，基于贝叶斯推理的子空间融合，设计了用于全空间检测的统计量及阈值，从而实现故障检测策略。最后，选择一个数值仿真、田纳西-伊斯曼工业过程以及污水处理过程进行了实验，结果验证了该方法相比于核方法具有在线计算量小，检测实时性佳的优势。

2. 针对非线性过程质量相关故障检测中过程变量与质量变量之间难以建立相对准确的模型，故障与质量的相关性判断不准确等问题，提出了一种深度变体偏最小二乘（DVPLS）的质量相关故障检测方法。首先，将偏最小二乘模型改进为变体偏最小二乘模型，此模型可以利用神经网络建立过程变量与质量变量之间的关系；其次，利用深度自编码器搭建了非线性网络框架，并对变体偏最小二乘进行非线性化得到DVPLS，该方法等价于一个核参数可学习的核方法；然后，在DVPLS的损失函数中引入一个正则项，以增强系统特征对质量预测的稳定性；之后，利用奇异值分解和子空间融合技术，设计了适用于该方法的统计量和阈值，以及质量相关故障检测策略。最后，选择一个数值仿真、田纳西-伊斯曼工业过程以及污水处理过程进行了实验，结果验证了该方法相比于其它对比方法能够高效地检测系统中的故障，并能准确指出故障是否会对质量产生影响。

3. 针对现有k近邻的故障检测方法难以用于质量相关故障检测，且基于k近邻的隔离方法在假设不成立时故障变量定位效果不佳的问题，提出了一种核偏最小二乘与k近邻相结合的质量相关故障检测方法（KPLS-kNN）以及k近邻的改进变量贡献量的故障隔离方法（MVCkNN）。首先，提出的KPLS-kNN利用预测质量变量的近邻关系实现了质量相关的故障检测；其次，提出的MVCkNN利用累计相对贡献率将变量贡献量变为相对变量贡献量，来突显正常变量与故障变量在故障样本统计量贡献上的差异；然后，MVCkNN在不需要假设输入服从多元正态分布的情况下，提供了更为准确的故障变量阈值确定方法。最后，选择一个数值仿真、田纳西-伊斯曼工业过程以及污水处理过程进行实验，结果验证了KPLS-kNN相比于其它对比方法具有更好的质量相关故障检测能力，且提出的MVCkNN能够将故障变量定位在更准确的范围内。