随着化工生产的大型化与复杂化,化工过程监测大数据呈现出多维性、高度耦合性、非线性等特点,很难对大量监测变量进行准确地监测和诊断。为了有效地从化工过程监测大数据中提取故障特征,及时、准确地辨识出故障,本文提出了一种基于复杂网络的化工过程故障诊断方法。首先,选取复杂网络的度中心性、接近中心性、介数中心性、特征向量中心性以及网络约束等参数作为节点重要度评定指标。采用熵权法(Entropy Weight Method,EWM)确定各指标权重并使用一种基于最佳化妥协解的方法(VlseKriterijumska Optimizacija I Kompromisno Resenje,VIKOR)进行重要度排序,从而识别复杂网络的重要节点,对这些节点进行重点监控,以保证化工生产正常进行。其次,使用正常工况历史数据进行复杂网络建模。针对在以往建模过程中,传统的余弦相似度方法忽略数据之间尺度的问题,将改进的余弦相似度方法引入到复杂网络建模中,以充分考虑数据向量之间角度和尺度对相关性的综合影响。改进的余弦相似度法有利于提高模型精度,所建立的复杂网络模型更能反映出系统的真实运行状况。然后,提出了基于复杂网络的化工过程状态监测方法。依据复杂网络稳定性确定建立复杂网络所需的最佳样本数量,以保证所建复杂网络能刻画系统中各个节点之间相互作用的真实状态;利用复杂网络的拓扑结构,构建了复杂网络的节点异常系数及其阈值计算方法,用以提取实时工况特征来实现定量化状态监测。对于非正常工况,再通过网络节点拓扑特征参数来诊断故障根本原因。最后,以田纳西-伊斯曼(Tennessee Eastman,TE)过程为应用实例验证所提出方法的有效性。结果表明,使用EWM-VIKOR法对TE过程进行节点重要度排序,成功识别出TE过程中的重要节点;基于改进余弦相似度建立的复杂网络模型以图形化的方式,清晰、直观地反映出系统中监测节点的相互关系;并且能够快速、准确地辨识复杂化工过程的非正常工况和诊断故障原因,从而为装置操作和管理人员提供有效的决策依据。