故障诊断是保障化工过程安全平稳运行的重要技术手段。随着化工装置信息化水平的提升及大数据的发展,基于数据驱动的故障诊断方法近年来得到了极大的发展。然而,化工装置在运行过程中,仪表、线路或系统故障可能会导致监测数据发生缺失、漂移、卡死等不可靠情况。而这些不可靠的监测数据会直接影响故障诊断的准确性,影响装置安全生产。因此,对存在数据不可靠情况下的化工过程进行故障诊断研究具有重要意义。鉴于此,本文基于插值-分类法、随机森林方法提出了存在数据不可靠情况的化工过程故障诊断策略,并应用TE过程和实际工业对象进行了方法测试。论文主要工作如下:（1）对于数据存在不可靠的变量已知的化工过程,采用插值-分类法对存在数据不可靠情况的化工过程进行故障诊断研究。即将均值法（Mean）、K-近邻法（k-Nearest Neighbors,KNN）、最小二乘提升法（Least Squares Boosting,LSBoost）三种插值方法和朴素贝叶斯（Na（?）ve Bayes,NB）、支持向量机（Support Vector Machine,SVM）、人工神经网络（Artificial Neural Networks,ANN）、分类回归树（Classification and Regression Tree,CART）四种分类方法分别进行组合。并应用田纳西-伊斯曼（Tennessee Eastman,TE）过程对不同插值方法与分类方法的组合模型进行了测试,通过均方根误差（Root Mean Square Error,RMSE）、故障诊断率（Fault Diagnosis Rate,FDR）和鲁棒性（Robustness）三种指标对其进行分析评价。结果表明针对不可靠情况的化工过程故障,采用插值-分类方法能够提高故障诊断率,其中LSBoost-NB和LSBoost-CART两种组合方法具有最佳诊断性能。（2）对于不可靠数据变量不确定的化工过程,采用集成方法中的随机森林（Random Forest,RF）,对存在数据不可靠情况下的化工过程进行故障诊断。利用随机森林方法的强抗干扰能力,降低数据存在不可靠情况对故障诊断的影响。论文通过对决策树数量和随机属性个数等参数的调优,得到最优的RF分类器模型。将该方法应用到田纳西-伊斯曼（TE）过程的故障诊断,与反向传播神经网络（Back Propagation Neural Network,BPNN）、径向基函数神经网络（Radial Basis Function Neural Network,RBFNN）和深度信念网络（Deep Belief Network,DBN）方法相比,在数据存在不可靠的情况下,基于RF的故障诊断方法的诊断率接近于数据完整情况下的诊断率,能够有效的识别数据存在不可靠情况的故障类型。（3）考虑到论文所研究的方法需要应用到工业实例中,采集某工厂实际生产过程的监测数据,并以甲苯塔工段为例。将本文所提出的插值-分类法和随机森林两种针对数据不可靠情况下的故障诊断方法,应用到甲苯塔装置过程中,并对比了不同方法下的故障诊断性能。结果表明当监测变量数据存在不可靠情况时,可直接采用RF方法,建模过程简单且诊断率依然较高;若不可靠变量已知时,可采用插值-分类方法中的LSBoost-CART方法建立故障诊断模型,提高诊断率。由上述结果可知,插值分类方法和基于随机森林方法适用于实际工业案例的故障诊断研究,能够提高数据不可靠情况的故障诊断性能,保障化学生产过程安全运行。最后对本文所研究的插值-分类方法和随机森林方法进行总结,并提出进一步的工作展望。