现代工业过程规模不断扩大,内部结构不断复杂化,为保证产品质量与系统的稳定安全运行,对工业过程故障进行高效、准确的根源诊断至关重要。工业过程的机理模型和专家知识大都难以获取,而存储有大量的过程数据。本文针对基于数据的故障根源诊断方法展开研究,具体如下:1.介绍了故障根源诊断相关的故障检测与识别方法,包括基于主元分析理论的故障检测方法与基于贡献图理论的故障识别方法。2.针对工业过程的非线性与多变量等特性,提出一种基于循环神经网络与格兰杰因果关系检验的故障根源诊断方法。首先,建立主元分析模型进行故障检测,利用贡献图法选择故障变量;然后,运用动态时间规整对故障变量进行分组,减少冗余因果关系;最后,将循环神经网络与格兰杰因果关系检验融合,使其能够处理非线性的信号,定位故障根源。实验结果表明该方法可以准确地定位故障根源。3.针对工业过程的复杂性与不确定性,提出一种基于贝叶斯网络与麻雀搜索算法的故障根源诊断方法。该方法通过贡献图法选择故障变量,运用麻雀搜索算法更新网络结构,并使用传递熵法获得网络结构学习的选择方向,从而得到最优的贝叶斯网络结构,最后定位故障根源。实验表明了该方法的有效性。最后对研究内容进行了总结,并对故障根源诊断技术的发展进行了展望。