基于数据驱动的智能故障检测与诊断(Fault Detectionand Diagnosis,FDD)技术已成为保障化工过程平稳运行的重要手段,但主流的故障检测与诊断方法受限于浅层结构,往往难以取得令人满意的精度。近年来,深度学习方法在模式识别领域表现出了比上述方法更好的性能,因此,将深度学习方法引入故障检测与诊断领域也是当前的研究热点之一。然而,化工过程数据具有数据规模有限、样本间存在依赖、变量间存在复杂的非线性与耦合关系等特点,从而无法简单地将深度学习方法迁移到化工故障检测与诊断领域中。因此,本文即以此为背景展开研究。本文的研究得到了浙江省自然科学基金资助,主要的研究工作和成果如下:(1)在实际工业系统中,复杂的化工环境往往会导致无法获得足够的故障检测数据,这便限制了深度学习方法在故障检测方面的应用与发展。基于上述问题,本文提出了一种样本空间重构策略。该策略基于随机采样构造同类或异类的样本对扩充数据规模,同时其将复杂的分类问题转化为样本之间的相似度对比问题,降低了任务的复杂度,减少了模型对于数据量的需求。在此基础上,引入并改进孪生卷积神经网络(Siamese Convolutional Neural Networks,Siamese CNN)结构,提出了一种基于多尺度孪生卷积神经网络(Multi-scale Siamese CNN)的化工过程故障检测算法。该算法通过将样本按皆由正常样本构成的样本对和含有一个故障样本的样本对的顺序随机挑选样本逐对输入网络,利用CNN进行多尺度特征提取从而使模型学习样本之间的相似度并利用其加以分类。在测试阶段,则通过将测试样本和多组无故障情况下的样本做相似度对比,从而达到准确检测的效果。最后将本文所提的算法应用到田纳西-伊斯曼过程(Tennessee-eastmanprocess,TEP)故障检测中进行性能验证,并与常规的数据驱动方法进行对比,对比结果验证了本文所提算法的优越性。(2)针对当前主流的故障诊断模型难以有效处理具有强非线性关系的化工过程数据的问题,本文引入三种注意力机制表征出在当前输入下特征的重要程度和特征间的关系,提出了一种基于多注意力机制的深度神经网络(Multi-attention deep neural network,MA-DNN)算法。该算法在使用深度神经网络挖掘深层次的化工过程信息的同时又通过三种注意力机制更好地进行特征表示和避免非敏感特征的影响,从而充分利用特征及特征间的信息,增强网络的故障诊断能力。最后,同样在TEP数据集上验证模型的性能。实验结果表明,该算法能有效地提高化工过程故障诊断的效果。(3)针对主流故障诊断模型无法有效利用化工过程数据所具有的动态信息的问题,本文提出了一种基于时序自注意力机制的卷积神经网络(Convolutional neural networks based on self-attention,SA-CNN)故障诊断算法。该算法为了利用化工过程数据的动态信息,构建了一种基于时序信息的自注意力机制结构,通过移动窗口法分割数据引入局部时序信息,自注意力机制得以使用二维矩阵有效地表征化工过程数据的动态信息。最后使用CNN进一步提取特征,增强了模型的故障诊断性能。通过在TEP数据集上与其他加入动态信息的主流故障诊断模型进行对比,充分地表明了 SA-CNN算法的优越性。