故障诊断技术对于保障现代化工业过程安全高效地运行具有极其重要的研究意义。随着生产智能化和分布式控制系统的广泛应用,大量数据被采集并存储，如何从观测数据中挖掘出有用资源，去掉冗余信息.进而指导生产实践是学术界和工业界亟需解决的问题。基于数据驱动的故障诊断方法从历史数据出发,不需要精确的数学模型,在故障诊断领域得到了广泛的应用。

基于数据驱动的故障诊断方法通过对工业过程数据进行采集并加以分析,监督生产过程的运行状况,检测过程的故障信息，诊断故障原因,分离故障变量,从而使生产系统处于最佳运行状态。

基于机器学习的故障诊断方法以诊断正确率为学习目标,一般包含两部分:1)选取正常建模数据集进行训练;2)测试数据用于在线故障诊断分类。主要的基于机器学习的故障诊断方法有神经网络和支持向量机。

神经网络在故障诊断中的研究集中在以下几个方面:从模式识别的角度做分类器;与其它方法相结合;作为非线性组合器。面对一个问题时,首先要分析神经网络求解问题的性质,然后依据问题的特点确定网络模型,最后通过对网络进行训练和仿真来验证网络的性能是否满足要求。

Verron采用条件高斯神经网络进行故障诊断,可以对新故障进行识别。依靠代价误差函数和停止准则训练得到最少神经元,使得网络的训练和测试过程较为快速，分类结果相对精确。针对过程的非高斯特性，Yu提出基于自组织映射的故障诊断技术。Ge运用线性动态系统这一典型的动态贝叶斯网络模型,有效地处理过程数据的动态性和不确定性。

神经网络故障诊断虽然有其独特的优越性但也存在一些缺陷:训练样本获取困难;忽视了专家的经验知识:网络权值的表达方式不易理解。

支持向量机(SVM)是Vapnik 提出的一种机器学习方法 ,它基于结构风险最小化( SRM)原理,克服了过学习以及陷入局部最小值的问题。与神经网络相比,支持向量机更适用于小样本数据。

支持向量机针对两类问题而被提出,不能直接用于多值问题分类。针对这一问题,目前存在两种多值分类方法:1)将两类SVM扩展为多类分类SVM;2)用多个两类分类SVM组成多类分类器。

Wu联合模糊理论.小波理论以及鲁棒损失函数构造了新的小波SVM故障分类器。Ge运用基于支持向量数据描述(SVDD)的批过程监控,在数据不满足高斯分布时亦能有效地进行故障检测。针对系统的多模态和非线性结构，Khediri结合核均值聚类和SVDD分离不同的非线性过程模态,并对每一模态使用不同的SVDD模型进行故障诊断的研究。Liu提出基于小波SVM的故障诊断方法;运用改进的二进制树SVM进行多故障分类,可以更为有效地获取每个SVM的特性,提高了诊断速率和诊断精度。Yin总结了SVM故障诊断的研究及发展进展,并指出相比于人工神经网络和专家系统,SVM在小样本泛化性能上表现出很大的优势。

基于数据驱动的故障诊断技术发展至今已经建立了较为完整的理论体系，并且在工业生产中进行了初步的探索应用，其研究空间相对比较宽广。