随着分布式控制系统的广泛应用和先进信息技术的实施,为了实时地检测并识别工业过程中的异常状况,数据驱动的故障诊断方法成为多变量过程控制的研究热点之一。然而海量高维度的过程测量信息给传统的故障诊断算法带来极大的计算复杂度和建模复杂度,且存在难以利用高阶量进行在线估计的不足。面对复杂工业过程中的低阶、动态、非线性、多模态以及微小故障等问题,本文结合深度学习与统计分析技术,提出了一系列基于栈式自编码网络的故障诊断算法:(1)将深度学习技术引入工业过程控制中,提出了基于栈式自编码网络的故障诊断技术,通过栈式自编码网络提取并表示工业过程数据中隐含的相关性特征,打破了传统方法针对微小故障检测的瓶颈;(2)从函数逼近角度阐述了栈式自编码网络结构:利用多重的非线性映射与优化的组合实现复杂函数的逼近;初步解释了栈式自编码网络在故障诊断上的可行性;结合加权时间序列保持工业过程的时间相关性;(3)从多项式泰勒展开的角度解析自编码网络,结合泰勒展开的高阶项O(xn)论证栈式自编码网络对细节特征的表示学习能力;鉴于动态过程中的时间最近邻并不一定是其空间最近邻,在不增加建模复杂度的前提下,提出了基于动态重建的栈式自编码网络故障诊断技术,通过样本重建在保持数据可分离性的同时增加类别间的可区分距离;(4)针对传统多元统计分析技术难以利用高阶信息的不足,提出了基于高阶相关性的故障诊断技术,结合栈式自编码网络的多隐层结构建立多级学习框架:堆叠的隐层数越多,提取特征的阶数越高;并给出对应度量指标监控系统运行是否保持在控制范围内;利用正常过程的测量数据进行网络参数训练,避免了类别间的数据不均衡问题;(5)考虑动态过程中在线数据的重要性,提出了基于栈式自编码网络的阈值自适应过程监控技术,通过一个综合的表示框架实现多模态辨识与故障诊断的整合,降低了多模态切换的代价;并基于Sigmoid函数重构进一步分析自编码网络的表示学习能力。基于栈式自编码网络的故障诊断方法可以更细致地反应过程运行状态及潜在的演变轨迹,仿真研究验证了其有效性与可靠性,丰富了数据驱动下故障诊断领域的研究成果,并揭示了进一步研究的必要和可能。