随着生产技术的不断革新和系统规模的逐渐扩大,工业系统的内部结构也越来越复杂,运行过程中的任何异常都有可能带来难以预估的安全隐患和财产损失。随着工业4.0时代的来临,生产系统的各个环节都将信息数据化和高效智能化,如何有效地利用与系统相关的数据信息,对故障做出快速准确的检测是本文的研究重点。目前,传统的过程监控和故障诊断方法存在着诸多的限制:实际系统过程中的数据难以达到理想的分布状态,生产设备状态难以保持恒定,还有其他复杂因素的影响如物理环境变量、传感器测量误差等。结合上述研究背景和需求,本文在对各种故障检测与诊断方法进行调研后,主要围绕基于自编码器的故障检测算法展开研究,并对已有算法进行改进,引入了正交性限制和降噪措施,提出了改进的自编码器算法,并在该算法的基础上进行故障检测和诊断。本文以化工过程Tennessee Eastman仿真平台为实验背景,对提出的故障检测与诊断方法进行验证。本文的具体工作有:1)提出基于降噪正交自编码器的故障检测算法大型系统的故障诊断是一个非常复杂的任务,由于传统的故障诊断方法存在许多限制,只通过传统的故障检测与诊断方法的检测效果是非常有限的。针对数据本身存在的冗余和噪声,本文在自编码器的基础上引入正交性以及降噪措施,提出基于降噪正交自编码器的故障检测算法(Denoising Orthogonal Auto-Encoder,DQAE)来克服自编码器算法的缺点并且提升对关键特征的提取和学习能力。在Tennessee Eastman过程仿真实验中运用该算法进行故障检测,实验结果与传统的故障检测方法相比,有更低的误报率和漏检率,验证了该方法的有效性和优越性。2)提出基于多故障降噪正交自编码器的故障诊断算法随着系统的复杂化与大型化演变,不仅其故障带来的后果非常严重,对于故障的维修难度以及成本也非常高。实时在线的故障诊断功能对系统越来越重要,同时对故障检测与诊断的准确性和快速性的要求也越来越高。本文针对故障诊断问题,提出以DQAE算法作为特征提取子模型,针对每个故障种类训练并融合成多故障降噪正交自编码器的故障诊断算法(Multi-fault Denoising Orthogonal Auto-Encoder,MDQAE)。通过对模型输出的统计量及其阈值进行归一化,将测试数据统计量与阈值进行比较判定故障种类,从而提升故障诊断的可信度与准确度。实验结果证明,该方案对大部分故障都有较低的误报率和漏检率,同时降低了其实现的复杂度,运行时间较短,为在线进行故障诊断提供了可能性,易于在工程中的应用与普及。