上世纪90年代以来,在工业生产过程中应用状态监测技术以及对监测到的参数进行异常故障侦测已成了工厂重要的任务之一。当今社会经济发展突飞猛进,其中工业化在整个社会中的地位日益增长,对社会的贡献与日俱增。在电厂发电过程中,由于很多过程无法用人工的方式进行操作,因此企业的大量资金都被用于升级换代更加精密的仪器以及技术的更新,相关人员只需要对仪器进行监控,以此来实现过程真正的无人状态下持续正常运作,而一旦整个生产过程中任何一环出现故障导致过程停运,会造成大量的资源与资金的浪费。近年来,尽管电厂的相关设备与技术日趋完善,然而大规模的停电、断电仍然时有发生。而数据分析和状态监测技术相结合,对工厂生产过程中产生的异常侦测已经成为国内外工厂智能化、安全化、可预测化的主要发展趋势。本论文针对工厂生产异常检测的准确率较低和判别异常鲁棒性不强等问题,依托工业系统现有物理拓扑结构,基于企业监测系统实时监测到的数据和仿真数据,利用基于系统科学中的复杂网络理论方法建立参数关联网络,以网络来刻画系统的运行状态并采用复杂网络的结构化指标计算每个节点参数之间的潜在关系,利用系统级结构指标判断当前系统是否运行异常,从系统级层面而非局部层面,揭示信息流转、故障级联的规律,进而对系统可能产生的异常情况进行预判。主要内容包括(1)则选择了最优的相关系数网络,基于TE过程数据,构建相关系数复杂网络(2)基于复杂网络拓扑结构分析理论,研究复杂网络的拓扑结构特征与系统异常之间的关系,结合投票机制提出故障诊断方法(3)基于TE数据,通过对比分析PCA和SVM两种故障诊断方法的准确率,验证了方法的有效性(4)利用网络拓扑结构分析方法对真实电厂数据进行故障诊断并作出分析。