化工过程安全一直以来是化学工业中尤为重要的问题之一,故障检测与诊断作为化工异常工况管理最常用的工具,给过程安全提供了保障。由于现代化工过程具有复杂性、非线性、高噪声、非高斯分布等特性使得传统的化工过程故障检测方法并不表现出优良的诊断性能,尤其是对于某些微小扰动性的故障检测性能表现不佳。随着深度神经网络技术的发展,很多深度学习算法已经被提出,然而这些算法却很少被应用于化工过程故障诊断。深度神经网络是一种强大的特征学习工具,由于其较浅层神经网络而言能够更为深度地挖掘原始数据中所隐含的信息,因此应用到化工过程的故障检测与诊断是一种新思路。本文首先考虑了复杂化工过程的严重非线性,开发出了基于稀疏过滤特征学习的化工过程故障检测方法。该方法通过稀疏过滤无监督学习,从化工过程原始数据中自适应地以无监督方式学习出特征,然后将特征输入到逻辑回归模型,以有监督的方式对过程运行状态进行分类。TE过程案例研究结果表明,该方法具有良好的诊断性能,可以及时有效地诊断出故障。同时为了进一步提高故障检测的性能,针对化工过程的非线性、高噪声特性,本文又开发了一种基于粒子群优化的栈式降噪稀疏自动编码机的化工过程故障检测方法,该方法采用深度神经网络的逐层训练法,能够在特征学习时自适应地学习出非线性过程数据的信息,同时加入了降噪策略,使算法的鲁棒性增强,从而建立的故障检测模型也更为精确。采用TE过程进行了诊断性能评价实验,实验结果表明所提出的PSO-SDSA方法具有优良的故障检测性能,其平均故障检出率可高达83.48%,误报率仅为0.21%,与传统方法相比故障检出率有较大的提升,且该方法能够更加及时有效地检测出故障。最后将本文开发出的两种新方法应用到某石化环己酮生产过程的故障检测,并对比了各方法的故障检测性能,选择出了基于PSO优化的栈式降噪稀疏自动编码机方法作为某石化环己酮生产过程的故障检测方法,该方法对于环己酮生产过程具有优良的故障检测性能,能够使故障检出率达到93.89%,误报率低至2.59%,从而能够更为有效地检测出故障,保障石化企业生产过程的稳定安全运行。