随着经济发展及能源结构调整,我国高含硫天然气田(HSG)开发处理量逐年递增,但同时,由于其中酸性成分硫化氢含量高达普通气田的数十倍,对集采设施及人员环境的安全威胁也成倍增加。因此,高含硫天然气净化过程的实时监测与故障识别对于保障系统可靠运行、实现安全生产具有重要意义。随着集散控制系统(DCS)的普及,净化过程大量历史数据被采集储存,为数据驱动的智能故障监测与识别提供了坚实基础。为此,本文对HSG净化过程实际生产数据提出基于高阶累积量分析(HCA)、长短时记忆神经网络(LSTM)的过程监测与故障识别方法。本文的主要研究内容如下:(1)针对HCA方法无法有效监测和反馈工况信息在时序上的迁移的问题,本文提出一种基于动态高阶累积量分析(DHCA)的HSG净化过程故障监测模型。对数据进行时序上的动态预处理,在输入矩阵中加入时间延迟使数据在时间维度上增加。再将扩展后的动态矩阵输入到HCA模型实现监测。(2)针对HCA方法在独立分量空间指标构造以及多指标监测策略上的问题,本文提出了一种基于贡献度加权高阶累积量分析(CW-HCA)联合指标的故障监测方法。对HCA方法独立分量的三阶累积量进行改进,按独立分量的贡献量给予相应权重,达到减轻影响程度较小成分干扰的目的。然后将加权后的独立分量空间指标与残差空间指标进行联合获得新的联合指标实现监测。(3)监测到故障发生后,需对故障类型进行快速有效的识别。本文利用LSTM的时序性及强大的模式识别与训练能力,对原始过程数据进行训练,自适应的学习中的动态信息,得到诊断结果。同时,由于净化过程数据以在线时序方式收集,导致某些发生频率低且随机的故障类型数据很难得到,进一步导致故障类间的数据不平衡问题。因此,本文提出一种面向数据不平衡学习的LSTM故障识别模型,通过合成少数类过采样技术(SMOTE)实现故障不平衡数据补充。