随着现代工业的发展,化工过程日趋复杂化以及大型化,为确保大规模生产过程的平稳运行,全厂监控是一项必不可少的技术手段。然而,如何高效地监控生产过程状态,并对异常根源进行诊断是一个重要且复杂的问题。准确、有效地构建生产过程变量关系网络是进行全厂监控和故障诊断分析的基础。首先,大规模的化工生产过程具有反应变量众多、数据耦合性强的特点,因此,本文通过集成最大信息系数（Maximal Information Coefficient,MIC）、条件互信息（Conditional Mutual Information,CMI）、格兰杰因果检验（Granger Causality,GC）,并利用相应的评分函数、环路检测的结构优化手段,提出了基于MIC-CMI-GC的混合评分搜索约束的贝叶斯网络结构学习方法,有效解决了传统基于评分搜索的结构学习方法容易获得局部最优解、搜索空间大的问题。其次,基于提出的结构学习方法和最大期望参数学习方法,针对稳态化工生产过程,构建了静态贝叶斯网络模型。并在静态贝叶斯网络的基础上,引入时间片的概念,对生产过程中动态变化的时变数据进行分析,构建转移网络来确定动态贝叶斯网络模型,有效解决了化工生产过程中变量的强自相关性问题,提高了故障监测与诊断结果的准确性。再次,针对实际化工生产过程中存在故障样本缺失的问题,采用基于假设变量缺失的思想,利用贝叶斯网络推理机实现数据重构,通过计算各变量的T~2和SPE统计量,构造各变量故障指数、全过程故障指数,实现对化工生产全过程的监控。针对异常状态计算各变量故障贡献度,得到证据变量,利用贝叶斯网络模型追溯故障根源。通过TE过程来验证所提出的故障监测与诊断方案的有效性和实用性。最后,由于贝叶斯网络建模的专业性要求高,利用其解决不确定性问题的操作难度大,开发了“基于贝叶斯网络的化工过程故障监测与诊断分析平台”。将监测诊断模型和应用分别部署在服务器端和客户端,实现了在线监测分析、故障根源诊断、工厂管理等功能。该软件提高了贝叶斯网络模型的易用性,为操作员提供技术支持、辅助决策。