化工生产过程具有高度非线性、不确定性、易受干扰性和关联性等特性,化工的生产过程还是个特殊的动态系统,其生产环境不同于其它类型的工业过程,生产环境不稳定和危险性,使得生产过程中的安全管理非常困难。为了能够保证化工设备装置正常的运行,及时地检测到故障和准确地对故障进行诊断是必要的。本文针对化工过程数据的高维度非线性,提出基于卷积神经网络的故障诊断方法。所提方法在对数据进行小波变换去噪和标准化预处理;通过卷积神经网络的特征提取和学习,从化工过程中提取原始数据隐藏的信息特征;再经过softmax分类器进行故障分类。通过应用于TE过程的故障诊断研究结果,平均故障检出率为80.31%,误报率为2.837%,表明所提出基于卷积神经网络方法的有效性,且可以及时地检测出故障。针对卷积神经网络本身结构复杂,自身参数与结构有待优化的问题,提出粒子群优化算法对卷积神经网络的超参数进行寻优。为了验证PSO-CNN方法的故障诊断的有效性及故障诊断性能,以TE过程为实验案例进行了故障诊断研究。在粒子群优化过程中确定了卷积神经网络模型的最佳结构和参数。从实验结果得出,基于PSO-CNN方法的平均故障检出率相比CNN方法提高到84.72%,误报率也只有2.26%。平均故障检出率比PCA、KPCA、MICA三种传统方法的结果要高,其中有6个故障的检出率得到较大地提升。同时在故障检出速度方面要快于CNN方法,说明PSO-CNN方法对某些故障更加敏感。经过研究所提出的PSO-CNN方法具有更好的故障诊断性能。最后将本文所提出的PSO-CNN方法应用到某石化公司环己酮生产过程的故障诊断,并对比传统方法KPCA的结果,得出基于PSO-CNN方法故障诊断具有更好的效果。对环己酮生产过程的故障检出率达到92.3%远高于KPCA方法的75.14%,误报率为3.247%,能够保障该生产过程的安全运行。