随着科技的不断进步和发展,化工过程中用到越来越先进的智能设备,自动化程度越来越高,生产过程也越来越复杂。但是由于设备处于长时间高强度工作下,有时就会出现各种各样的故障。本文用一种典型的化工过程作为仿真对象,提出两种深度学习方法,在一定程度上证明了方法的可行性,并且相比传统的故障诊断方法诊断精度得到了相应的提高。本文首先介绍了化工过程故障诊断的目的和研究意义,概述了深度学习的发展过程和目前深度学习的应用领域和应用现状。对深度学习的发展基础BP神经网络和概率神经网络两种经典的人工神经网络进行了详细介绍,对其存在的不足提出说明,从而引出深度学习方法,并列举出了深度学习在故障诊断中应用的难点。然后,介绍了一种经典的深度学习模型深度信念网络,详细介绍了它的网络结构以及推导过程,提出基于深度信念网络的故障诊断模型,并给出模型的初始化方法和训练方法,同时列举出基于深度信念网络的故障诊断模型存在的一些不足之处。在深度信念网络的基础之上提出另一种深度学习模型—栈式编码器,详细介绍了栈式编码器的网络结构以及推导过程,提出一种基于栈式编码器的故障诊断模型,同时给出了模型的初始化方法和训练方法,并且介绍了栈式编码器相比深度信念网络的优点。最后,介绍了本文仿真数据TE化工过程故障数据,列举出了仿真具体过程和数据预处理方法,针对简单Softmax分类器故障诊断模型、基于深度信念网络的故障诊断模型和基于栈式编码器的故障诊断模型三种模型,分别对数据进行故障诊断仿真,生成用来评价故障诊断模型优劣的代价函数变化曲线,以及各个模型的混淆矩阵。根据仿真结果分析深度学习应用在故障诊断中的优劣性,以及两种深度学习模型下哪一种模型更符合TE化工数据。