现今化工过程生产工艺日趋复杂、规模日渐庞大,加之化工数据本身维度高、数量大、相关性强且充斥噪声等特点,无不令安全生产和产品质量面临更大挑战和更高要求。为此,本文利用经验模态分解(EMD)按照频率尺度自适应处理信号提取故障特征的能力,以及多变量经验模态分解(MEMD)处理关联信息的优势,对其在化工过程中的故障诊断应用探索研究,同时结合改进的动态可见图算法,提出一种数据驱动的故障诊断方法,应用于田纳西-伊士曼(TE)过程的实时监测和在线诊断,仿真结果验证了提出方法的有效性与优越性。主要研究内容涵盖如下：首先,利用残差对故障的敏感性,提出基于总体平均EMD(EEMD)残差的故障诊断方法。根据历史数据的66控制图,确定残差的故障诊断控制限；利用在线实时数据采用贝叶斯信息准则在线确定EEMD的移动窗口；通过移动窗口的采样数据,在线获得EEMD残差最大值的变化,结合相应的故障诊断控制限在线诊断故障并确定故障发生时间及原因。其次,为提高过程监测的效率和精度,克服单一变量监测的局限性,提出一种基于改进动态可见图(MDVG)算法的多变量过程在线故障监测方法。通过数据归一化和引入时间间隔常数,改进动态可见图(DVG),使得DVG所关注特性的众数出现次数的均值最小,以细分不同时序数据的网络特性。最后,结合MEMD和MDVG,提出MEMD-MDVG故障诊断方法。利用MEMD残差确定监测变量,将各个监测变量的历史数据利用M MDVG确定监测指标及阈值并实施在线监测,异常情况下再借助MEMD残差进行相关性分析以确定故障原因。