故障诊断系统是提高工业过程安全性、稳定性,减少因故障停机带来经济损失的一类重要技术。本文研究了基于有效特征表示与迁移学习的工业故障识别,采用不同的特征提取算法与故障识别算法相结合,利用目标任务与源任务的相似性,不同程度的优化了目标故障识别任务的准确率。本文主要的研究内容包括:基于深度自动编码器的特征提取与故障识别。该方法将深度自动编码器与多层网络分类器相结合,自动编码器能够有效地提取出非线性复杂工业过程的数据特征,不需要选择核函数等操作,提取出来的数据表示能更好的代表原始数据的特性。将自动编码器降维后的特征导入到多层神经网络进行故障识别,最后获得了较高的识别准确率。基于迁移学习的神经网络特征提取及多故障诊断。首先利用栈式去噪的无监督训练方法对工业过程数据进行训练,训练出预训练模型。将预训练模型的网络结构与权值迁移到有监督训练模型中,并在模型末尾添加softmax分类器,使用有标签数据对网络进行微调,神经网络提取到的数据表示经过有监督训练的优化,可以更好的提升故障识别的准确率,并更好的学习到原始数据的数据表示。基于并行随机森林的工业过程并发故障识别。利用多故障识别与并发故障识别的相关性,提出了并行随机森林算法,解决并发故障稀少情况下的识别的问题。使用多标签技术,采用n维二进制向量编码标签表示2n类的并发故障类型,解决了并发故障种类指数型增长的问题。将每一个随机森林识别一个故障位,认为并发故障虽然对于单故障系统运行工况发生了改变,但是与故障相关的特征变化不是特别大,因此可以将多故障识别的知识迁移到并发故障识别中。设计开发了一款智能诊断专家系统软件,用于工业过程的故障诊断。使用专家系统、机器学习、健康管理等方法能够对工业系统进行多方位的安全监控。首先将工业过程传感器采集到的实时数据输入到三个诊断模块中,判断系统是否出现故障;然后根据专家知识库中的规则,使用推理机推导工业系统中的可能出现的故障详情,传输到web层显示诊断依据,并及时报警。