工业生产系统运行的安全可靠是现代企业快速发展和持久盈利的重要保证。因此,保证系统正常运行的故障诊断技术在现代工业生产过程中有着至关重要的地位。随着大型工业系统的集成度高、复杂多变以及不确定性等特性使故障诊断技术面临巨大挑战。越来越智能化的工业自动化系统,一旦发生故障,就会直接造成系统瘫痪,甚至发生爆炸威胁人们的生命安全及财产安全。本文基于传统的故障诊断模型,针对复杂多变的工业自动化系统,提出了基于胶囊网络模型的过程故障识别方法。在胶囊网络中,需对输入的标量故障数据特征重新排列为向量形式的故障特征,向量的模长表示训练过程中某类故障存在的概率,方向可表示故障类型。首先,对输入数字矩阵进行变形,对田纳西—伊士曼(TE)过程的工况识别过程中所收集的一维样本数据进行二维重构,转换为二维图像数据类型,从TE过程故障变量中随机选取49个变量,重构得到7×7的二维方形矩阵数据,再进行零-均值规范化,对数据集标准化。同时对每一类故障数据进行对应的故障类别标签处理。然后,将标准正规化的TE训练数据集输入胶囊网络模型,卷积操作处理后,继而输入胶囊层。选择了动态路由算法来预测网络输出,即过程故障类别,防止了以往神经网络中池化层的故障信息丢失。同时,增加数据重构模块快速与最初的输入数据矩阵进行比对,从而进行反馈修正,使损失误差降为最小。进而由目标损失函数通过输出故障结果与故障标签比对,得出网络预测损失,且由Adam优化算法不断优化诊断网络模型中的参数,使网络模型快速收敛,进而完成对TE过程数据的故障诊断。最后,使用训练之后的网络模型分别对整体测试集和单个故障类别样本的测试集进行故障诊断数值仿真实验,并且通过与其他使用TE故障数据集方法模型进行比较,说明本文方法的测试精度高,更适合对过程故障进行预测与分类,也证明了模型的有效性与优异性。此外,训练过程中,还对每层网络的输出向量进行特征可视化分析,由模型每一层清楚明显的变化,也表明模型能准确识别每一类输入故障。