化工过程具有规模大、高复杂性、高风险等特点,为了避免经济及生命的损失,在故障发生时,有效及时地检测出故障是十分必要的。动态不确定因果图(Dynamic Uncertain Causality Graph, DUCG)是用有向图表达不同变量之间因果关系并进行推理的理论,可通过图形简洁地表达过程的因果关系并根据构建的图形知识库给出故障事件的概率推理。由于其能根据证据信息降低复杂度,并能处理不完备知识及不确定的证据信息,对于目前规模庞大的化工过程故障诊断有着自身的优势。基于上述背景,本文所做的研究工作如下：①运用DUCG实现化工过程的故障诊断,并针对化工过程的震荡信号,对原DUCG系统的数据发送模块做出改进,使之适用范围更全面。②采用了TE (Tennessee Eastman)过程作为实验对象,建立了包含54个变量、114条因果关系的DUCG模型。该模型对TE过程中的故障都得到较高诊断排序概率,仿真结果达到了100%,说明了DUCG是一种行之有效的方法。③在故障诊断的基础上对故障的异常变量及状态进行预测,预测结果虽与实际结果不完全一致,但可预测出大部分实际异常的变量,预测止确率达到70%,说明了该功能具有一定的有效性。