如何保障工业过程的正常运行一直以来是各工程学科最重要的研究问题之一。故障诊断技术通过对故障进行诊断来快速定位故障,进而清除或隔离故障,以减少因故障造成的损失,对于工业过程来说十分重要,尤其是危险性较高、故障发生较为频繁的化工过程。对于化工过程来说,由于其具有耦合性、非高斯分布和非线性等特性,主成分分析、偏最小二乘法等传统故障诊断方法诊断性能不够理想,而且这些方法需要大量经验知识手工提取故障特征而非自动提取。因此,有必要研究出诊断性能更好的故障诊断方法,以进一步提高化工过程的安全可靠性。首先,针对传统化工过程故障诊断方法存在的故障特征提取效率低、故障诊断准确率低、不能自动提取故障特征、难以处理海量过程运行数据等问题,考虑以深度学习方法为手段进行化工过程故障诊断。深度学习是近年来取得大幅发展的一项技术,它在特征提取方面表现优异,可以从化工过程运行产生的数据中自动提取故障特征,免除人工选取特征的繁冗复杂,同时特征提取效率较高。其次,针对传统深度学习模型存在的训练困难问题,提出一种基于深度残差网络(Deep Residual Network,DRN)的化工过程故障诊断方法。DRN模型是在传统卷积神经网络的基础上生成的一种深度学习模型,采用恒等映射快捷连接来解决深度神经网络训练困难的问题,并且在网络中使用了新兴的修正线性单元激活函数和批归一化的方法,可以使梯度消失/爆炸问题得到很好的缓解。面对大量过程运行数据,DRN模型也有着高效的数据处理能力。采用典型的化工过程故障诊断实验对象——田纳西-伊斯曼(Tennessee Eastman,TE)过程对所提方法进行诊断性能评价实验。与现有的基于传统深度学习模型的TE过程故障诊断方法相比,该方法具有更好的诊断性能。最后,在前一种DRN诊断模型的基础上提出了一种基于改进DRN的故障诊断方法。改进DRN模型在原始DRN模型的基础上对残差块结构进行了修改,模型的参数量和浮点运算量大大减少。同样,将基于改进DRN的化工过程故障诊断方法应用于TE过程。结果显示,与前一种方法相比,该方法的训练速度和诊断精度均有一定的提升,表现出更为卓越的性能。