随着信息智能技术的发展,化工过程自动化程度越来越高。为保证系统安全稳定地运行,对过程故障进行及时、准确和高效的诊断就显得至关重要。在过程故障诊断过程中,系统过程机理模型和专家知识都难以获取,而过程数据获取较容易。因此对基于数据驱动的故障诊断方法进行研究具有重要意义。针对化工过程数据所具有的动态时变性和化工过程变量关系复杂,故障根源分析难的问题,本文分别在故障检测中提出了自适应主多项式(PPA)方法和在故障根源分析中引入贝叶斯网络方法对动态化工过程进行了故障诊断研究。本文主要工作和创新如下:针对化工过程动态时变性,本文在基于主多项式(PPA)化工故障诊断方法的基础上,引入滑动窗机制,提出了一种新的自适应PPA故障诊断方法。首先,利用检测模型对动态过程进行实时检测,若过程正常,则根据最新过程数据更新窗口数据,从而对模型更新,然后利用最新模型对过程实时检测。最后,将本方法运用化工仿真TE过程实现在线检测,结果表明效果更好。针对化工过程检测到故障发生时对故障根源分析难的问题,由于贝叶斯网络作为图论与概率论的结合体,在处理复杂、模糊以及不确定性方面具有较强推理能力。因此,本文将贝叶斯网络引入化工过程进行故障根源分析。作为贝叶斯网络的基础,贝叶斯结构学习中的建模复杂度会随着网络节点的增多呈指数级增长,影响最终结果的准确性。因此,本文提出了改进蜂群贝叶斯网络结构学习方法(D-ABC),该方法将人工蜂群算法与差分进化算法融合,通过评分高低搜索最优结构,然后利用标准网验证了该方法的有效性。最后基于TE过程进行验证,通过贝叶斯网络的结构建模和参数学习,利用贝叶斯网络的联结树算法对故障根源进行分析推理,证明了本方法的有效性。