随着大数据在各个领域的迅速积累,基于数据驱动和深度学习的工业过程故障诊断方法成为近年来的一个重要研究课题。除了深度神经网络,深度森林也为深度表征学习提供了新思路,并克服了深度神经网络的缺点,如参数依赖性强,训练成本高等。因此本文引入深度森林,并且设计加权策略和池化策略,同时使用自适应差分进化算法来优化深度森林,提升模型的诊断能力,并在化工通用测试集田纳西伊斯曼(TE)过程中进行模型的性能验证。论文主要研究工作总结如下:(1)针对级联森林中每层结构的所有森林对最终预测都有相同的贡献,这可能导致分类分布的估计对森林的拟合量敏感,为了缓解这个问题,基于标准级联森林结构,提出一种加权策略,建立加权级联森林(WCForest)模型,计算级联结构中每个森林的权重,以提升好的性能模型,削弱坏的性能模型,来提高级联森林的整体性能。(2)由于经过粒度扫描出来的特征是高维的,而且保留所有局部特征生成的类分布向量,会造成数据冗余。因此针对多粒度扫描过程中存在的上述缺点,提出一种具有“池化”思想的多粒度扫描,达到在减小后续计算负担的前提下,提取到更为精确的特征向量的目的。(3)在WCForest模型的基础上,针对级联森林中森林权重的设置,引入自适应差分优化算法,进行模型参数的优化。(4)结合上述两方面的优化和改进,建立了改进深度森林(IDForest)模型,提出了基于深度森林的,可应用于工业过程中的高维非线性数据的故障诊断的深度学习框架。并通过TE过程验证了IDForest模型的有效性。实验表明,IDForest在不同的评价指标上取得了比其他相关方法更好的效果。