融合了控制、监测、管理和优化决策的现代集成智能制造系统是自动化系统的发展方向,其中过程监测技术是保障流程工业安全稳定运行的关键技术。然而由于现代流程工业系统复杂,使用机理模型监测非线性过程变得非常困难,与此同时,大数据正推动着工业变革,因此基于数据驱动的过程监测技术具有重大的研究意义。近几年,深度学习以其强大的数据特征提取能力已经成功渗透到了各行各业。深度置信网络(DBN)是深度学习的主要方法,基于传统DBN的非线性过程监测目前存在着诸如数据建模易过拟合、优化过程易陷入局部最优以及监测效果对采样数据质量过于敏感等问题。因此,本文改进了 DBN模型,在此基础上分别针对非线性过程建模、故障预报和故障分类三个问题进行了研究。针对复杂非线性过程建模精度不高的问题,本文首先分别改进了原始的DBN和变分模式分解(VMD)算法,然后在此基础上提出了具有自适应变分模态分解的并行动量深度置信网络(并行AVMD-MDBN)模型。并行AVMD-MDBN模型是一种改进的建模方法。通过两个数值例子实验和一个金融股票实验验证了本文提出的并行AVMD-MDBN模型在提高非线性过程建模精度方面的有效性。针对非线性过程监测中故障检测滞后的问题,本文在并行AVMD-MDBN回归预测模型的基础上提出了一种故障预报方法。首先使用并行AVMD-MDBN模型对非线性关键变量建立预测模型,然后构建故障预报判别系统,该系统以预测值和实际值的残差作为输入参数对非线性过程进行监测。在风机叶片结冰实验上验证了故障预报方法的有效性。实验表明该方法可以监测到风机叶片结冰时的异常运行状态,并且能够通过故障预报曲线直观地展示出来。针对非线性过程监测中故障分类准确率低的问题,本文提出了一种动态稀疏并行AVMD-DSMDBN分类模型。首先对实际非线性过程监测数据中普遍存在的数据动态性强、无标签和有标签数据共存以及故障数据和正常数据不均衡等问题进行分析,然后在并行AVMD-MDBN模型的基础上,引入动态扩展特征矩阵和稀疏约束建立动态稀疏并行AVMD-DSMDBN模型来解决以上问题。通过TE过程实验验证了动态稀疏并行AVMD-DSMDBN模型对于提高故障分类准确率的有效性。