作为我国工业的支柱之一,化工行业往往工艺复杂、生产条件苛刻,生产过程中涉及到的化学品也常常具有毒性、易燃易爆、挥发性等特点。因此,保证化工过程安全就显得尤为重要。故障检测与诊断作为保证化工过程安全的重要手段之一,一直以来是学术界研究的热点。然而在实际化工生产中,由于生产设备的耦合化、大型化,会导致化工过程历史数据非常复杂,这些数据往往具有高维性、非线性、高噪声等特点,传统的故障诊断方法对其并没有展现出优良的诊断性能,开发一种具有良好性能的故障诊断技术,为化工故障检测与诊断技术拓宽思路是十分有必要的。近年来,由于神经网络技术良好的数据挖掘能力,有许多学者将其与化工故障诊断技术相结合,并取得了良好的诊断效果。本文结合长短期记忆网络的相关知识,提出了基于长短期记忆网络的化工过程故障诊断方法。该方法通过不断叠加网络隐层对数据特征进行层层提取,然后将其输入进多分类器进行诊断分类,期间通过Adam算法不断对参数进行调优,通过dropout层等手段来抑制过拟合现象,最终在TE过程数据集上取得了良好的诊断效果。除此之外,基于卷积神经网络的强特征提取能力,本文还提出了一种基于卷积-长短期记忆网络的化工故障诊断方法,并用TE数据集进行了验证,结果表明,该方法具有高诊断率、低误报率以及高预警能力等优点,能够及时有效的对TE化工过程进行故障预警。最后,本文结合某化工厂的环己酮生产过程历史数据,将提出的方法进行了案例验证,并进行性能比较。结果表明,所提出的方法对于实际工况数据都具有良好的诊断性能,其中卷积-长短期记忆网络的诊断性能表现最优,对故障的诊断率达到了93.47%,对正常样本的误报率也仅有0.3%,因此,提出的方法能够基本上保证该生产工段的平稳运行。