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。