针对工业过程的动态和多模态特性，提出一种基于局部近邻标准化（LNS）和动态主元分析（DPCA）相结合的故障检测方法（LNS-DPCA）。首先，在训练数据集中寻找样本的 K近邻集；然后，应用 K近邻集的均值与标准差对当前样本进行标准化处理；最后，在新的数据集中应用DPCA方法确定T ²和SPE控制限进行故障检测。LNS方法能够消除过程的多模态特征，使得标准化后数据近似服从多元高斯分布，且保持过程离群点偏离正常样本轨迹；而结合DPCA方法则能够提高对具有动态特性过程的监视性能。利用数值例子和青霉素发酵过程进行仿真，并将测试结果与主元分析法（PCA）、DPCA、 K近邻故障检测（FD- KNN）等方法进行对比分析，验证了LNS-DPCA方法的有效性。

针对多阶段过程数据具有多中心和各工序结构不同的特征问题，提出了一种基于改进的局部近邻标准化和 k近邻的故障检测（ILNS- kNN）方法。首先寻找样本的前 k个近邻样本的前 K局部近邻集；其次使用局部近邻集的均值和标准差来标准化样本，获得标准样本；最后在标准样本集上计算样本的累积近邻距离作为检测指标进行故障检测。改进的局部近邻标准化（ILNS）将各阶段数据的中心平移到原点，并且调整各阶段数据的离散程度，使之近似相等，从而将多阶段过程数据融合为服从单一多元高斯分布的单阶段数据。进行了青霉素发酵过程故障检测实验。实验结果表明ILNS- kNN方法对所设置的六类故障的检测率高于97%。ILNS- kNN方法在保持对一般多阶段过程故障的检测能力的同时，能够实现对阶段方差差异显著的多阶段过程故障的检测，从而更好地保证多阶段生产过程的安全性和产品的高质量。

针对多工况过程数据的批次不等长、中心漂移、工况结构不同等特点，提出基于统计模量和局部近邻标准化的局部离群因子故障检测方法（SP-LNS-LOF）。首先计算每个训练样本的统计模量；然后使用局部近邻集标准化统计模量，得到标准样本；最后计算标准化样本的局部离群因子，并将其作为检测指标，将局部离群因子的分位点作为检测控制限，当在线样本的局部离群因子大于检测控制限时，判定其为故障；否则为正常。统计模量提取过程的主要信息，且消除批次不等长的影响；局部近邻标准化克服工况中心漂移和工况结构不同的困难；局部离群因子度量样本的相似度，实现故障样本和正常样本的分离。进行了半导体蚀刻过程故障检测仿真实验，实验结果表明SP-LNS-LOF检测出了全部21个故障，比主元分析（PCA）、核主元分析（kPCA）、基于 k近邻的故障检测（FD-kNN）、局部离群因子（LOF）方法具有更高的检测率。理论分析和仿真实验说明SP-LNS-LOF方法适用于多工况过程故障检测，具有较高的故障检测效率，能保证多工况生产过程的安全性。

针对传统的数据驱动方法偏最小二乘法（PLS）中存在的多模态数据故障检测效果不佳的问题，提出了一种新的故障检测方法——基于局部近邻标准化（LNS）的PLS（LNS-PLS）。首先，利用LNS方法对原始数据进行高斯化处理，在此基础上建立PLS的监控模型，确定T ²和平方预测误差（SPE）的控制限；其次，对测试数据同样进行LNS标准化处理，再计算出测试数据的PLS监控指标来进行过程监视及故障检测，解决了PLS中无法处理多模态的问题。将所提方法应用于数值例子和青霉素生产过程，并将其测试结果与主成分分析（PCA）、 K最近邻（ KNN）、PLS等方法进行对比分析。实验结果表明，所提方法的故障检测效果优于PLS、 KNN、PCA，该方法在分类及多模态过程故障检测方面有较高的准确性。