石油和化学工业在国民经济中占有非常重要的地位,但是化工生产过程中的安全事故频频发生,给人员、财产和环境造成巨大损害。因此,开发可靠的过程监控系统对于帮助操作人员应对生产过程的异常情况,避免异常工况进一步发展造成安全事故,保证生产过程平稳运行有着重要意义。虽然化工过程的故障诊断技术已经产生并发展了四十余年,但故障诊断方法在化工生产过程中全面推广还需要解决许多工业应用问题。其中一个主要问题是过程数据具有强非线性且普遍存在噪声信号干扰过程监控,传统的故障诊断方法在化工过程中的适应性不强且自学习能力较弱,常用的模式识别方法在模型训练过程中容易出现过拟合及梯度弥散现象。伴随着大数据时代的到来以及计算机软硬件的不断更新迭代,可以获得的训练数据量以及计算机的计算量不断增大。这两方面的原因使得在过去的十余年里,以深度学习(Deep Learning,DL)为代表的人工智能领域得到了快速发展。至此,深度学习方法已被广泛应用于计算机视觉、自然语言处理等诸多领域,并取得了前所未有的成功。深度学习模型具有良好的自学习能力且在处理非线性问题上表现出了极大的优势,因此本文提出将两种深度学习模型应用至化工过程故障诊断中,并通过在实验仿真平台中的应用结果说明了其有效性。首先,本文提出了基于深度信念网络(Deep Belief Network,DBN)的化工过程故障诊断方法。该方法先通过若干个堆叠而成的受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)进行无监督学习以提取输入数据中的有效信息,再使用反向传播算法(Back Propagation,BP)以标签数据为输出目标对整个网络模型进行微调。最后将此模型成功地应用于田纳西-伊斯曼(Tennessee Eastman,TE)过程中,通过对参数组合进行逐步优化试验的方式给出了试验过程中的最佳参数设置。此外,此模型能够对新产生的数据样本进行学习,实现诊断系统的不断更新。然后,针对真实化工生产过程中的数据普遍存在随机误差等噪声信号,易影响故障诊断结果的问题,本文在DBN模型的基础之上提出了基于提升小波-深度信念网络(Lifting Wavelet-Deep Belief Network,LW-DBN)的方法。该方法先通过提升小波对原始数据进行分解,然后将得到的低频信号进行重构获得理想数据,并将理想数据用于DBN模型的训练之中。此外,本文提出逐个局部降噪的方式处理在线数据,在TE过程中的应用取得了极好的效果。最后,考虑到传统方法以及本文中提出的方法都是离散式地使用过程数据,而在局部时域内化工生产过程产生的时序数据之间具有高度相关性。由于其具有从数据中提取出局部特征的能力,本文将卷积神经网络(Convolutional Neural Network,CNN)模型与化工过程中时序数据之间高度相关的特点相结合,提出了基于动态卷积神经网络(Dynamic Convolutional Neural Network,DCNN)的化工过程故障诊断模型。该模型首先按时间序列将监测数据整理为二维样本,然后通过卷积核与输入数据之间局部连接的方式提取其局部特征,接着使用池化操作对数据进行降维并保存有效信息,卷积操作与池化操作交替进行,最终通过一个全连接层进行分类。在TE过程中的应用结果表明,基于DCNN的故障诊断方法在较少的训练次数下依然能够表现出良好的诊断性能。