蒸馏化工领域是我们国家的支柱性产业,每年会为国家的经济发展做出巨大的贡献,同时,它也能够影响到能源、材料等许多方面。作为一种复杂的自动化大型工业过程,蒸馏过程也是危险性极高的行业之一。在蒸馏生产过程中,某些微小故障若不能及时排除,就有可能造成巨大的灾难。而随着科技进步,自动化水平的提高,蒸馏生产过程的高度集成化,生产设备功能愈来愈完善,结构愈来愈复杂。维修人员在设备出现故障时难以迅速的找到故障点,导致维修时间的延长,整个生产流程停滞,同时对设备也会产生不利的影响。为了提高系统安全性和可靠性,采用故障诊断技术是极其有必要的。贝叶斯网络是目前故障诊断方向的一个研究热点,本文研究针对旋转刮膜蒸发装置的故障诊断系统,考虑了蒸发过程复杂、危险的特点,根据整个蒸发的工艺流程,设计了与其相匹配的诊断贝叶斯网络(Diagnostic Bayesian Networks,DBN)。将蒸发装置各个部件的参数量抽象成节点变量引入到贝叶斯网络中,根据节点变量之间的因果关系,确定贝叶斯网络的网络结构。利用故障样本对贝叶斯网络进行训练,得出所有子节点的条件概率。训练后的网络能够对绝大部分故障现象准确判断故障原因。在诊断贝叶斯网络建立的过程中,经过数据样本的训练得出网络中各个节点的条件概率表(Conditonal Probabilities Table,CPT),对于没有父节点的节点变量需要人为给定其先验概率,考虑到贝叶斯网络先验概率对最后诊断的影响,采用BP预测神经网络,根据旋转刮膜蒸发装置目前的运行状态参数,预测蒸发器中的环境参数,将环境参数作为先验概率给出的依据,以此提高整个贝叶斯网络诊断的准确率。在给出先验概率时,,根据运行状态,通过模糊推理的方式给出贝叶斯网络的先验概率值。通过对模型的仿真分析,未优化的贝叶斯网络对某些因故障点较近而故障现象类似的状况会出现错误判断,贝叶斯网络在优化前,整体预测的错误率在10%左右,而使用BP预测神经网络进行优化后,贝叶斯网络在这些情况下的错误率能够迅速降低,整体预测错误率可以降低到5%左右,从而实现了贝叶斯网络故障诊断准确率的提升。