随着科学技术的飞速发展和工业系统复杂度的不断提高,保障系统的高效和安全运行已成为提高产品质量和提升生产效率的关键。复杂过程表现在由于外界环境、工业系统固有属性、不同操作条件以及不同的生产需求而产生的多个稳定运行工况的复杂过程。要保证多复杂过程的安全、高效运行,建立准确有效的故障诊断模型尤为必要。因此,对多模态的复杂工业过程进行有效的故障诊断是故障诊断领域的研究热点之一。本文通过使用田纳西-伊斯曼过程(Tenessee Eastman Process,TEP)的仿真模型对故障诊断方法进行研究。对于复杂过程,本文研究的重点是设计并且搭建基于深度学习故障诊断方法的实验平台,并提出了两种基于深度学习的多模态过程故障诊断方法,将两种方法在所创建的实验平台上实现。由于实际工业过程中所产生的数据往往会受到噪声污染,为了精确稳定的提取故障特征,本文提出了将变分模态分解(Variational Mode Decomposition,VMD)与堆叠自编码(Stacked Auto-encoder,SAE)、VMD 与卷积神经网络(Convolutional Neural Network,CNN)结合的两种集合型故障诊断方法,并将其用于TE过程的故障诊断。本文将深度学习应用于故障诊断的方案,通过所提方法,学习故障数据的深层体系结构,以最大限度地减少信息丢失和防止噪声干扰,并采用softmax分类器进行故障诊断,进而提高故障检测、分类的准确性,并有效地解决传统故障诊断技术无法检测到的故障,以达到提高故障诊断精度的目的。为了验证本文所提方法的有效性,搭建多模态复杂化工过程的仿真实验平台,将所提方法用于该实验平台。将所提的两种方法与机器学习方法及现有深度学习方法进行对比,结果表明,所提方法不仅提高了故障与正常过程之间的可分性,而且对田纳西伊士曼过程数据的故障分类准确性和有效性也有较好的表现,所提的两种方法的故障诊断的准确率高于机器学习和现有的深度学习的故障诊断方法,并且诊断速度也快于现有的深度学习故障诊断方法。所提方法中,VMD-CNN方法的故障诊断准确率和诊断速度优于VMD-SAE方法。