化学工业过程的故障诊断一直都是整个行业的重要组成部分,更是国家经济、安全的强有力保证。同时由于化工行业的生产模式注定了其生产过程不直观,人们对于生产过程的状态只能通过数据间接观察,而化工生产过程拥有庞大的变量环境,传统意义上的故障诊断和监控方法效果并不理想。能够处理高维大数据的故障诊断需求也越来越强。本文针对现代化工生产需求提出了基于TE过程的高维大数据真实化工故障模型,并设计了改进的Fisher故障判别方法,针对剥离的故障数据则设计了ICS-RBF神经网络进行故障诊断,对仿真研究进行分析,全文的主要工作如下:(1)参阅相关文献、资料,研究TE过程仿真模型,得到故障模型的输出,详细分析TE过程仿真模型的15个故障,并确定了化工故障诊断模型的评价指标。(2)针对TE过程的高维度故障进行故障判别,并在此基础上根据样本类间、样本类内的离散关系设计了带有惩罚因子的Fisher改进算法,进行了仿真实验研究,仿真结果表明,本文通过减少生产过程中异常数据对故障判别的影响权重优化了投影系数,改善了故障判别的效果。(3)将未分类的故障数据用于基于ICS-RBF神经网络的故障诊断。针对RBF网络中后期训练速度缓慢的问题,引用了基于莱维飞行的布谷鸟模型来对RBF网络参数进行寻优,并设计了基于个体历史最优解改进的布谷鸟模型(ICS),通过比较全局最优鸟巢解和个体的差距来计算附加步长,使每一代鸟巢解的步进考虑到自身鸟巢解与全局最优鸟巢解的差异,提升了训练速度,并用测试函数验证了效果,将ICS-RBF神经网络分别用于全类型故障诊断和局部随机故障诊断仿真实验,诊断效果良好。最后,分析了TE过程故障模型及故障诊断算法的优缺点,并为下一步研究工作提出了建议。