统计学、机器学习等的理论研究及发展,带动了贝叶斯网络的发展,使得贝叶斯网络在越来越受关注同时被应用到越来越多的领域。本文对化工TE过程进行分析,引用层次分析法和贝叶斯网络对复杂化工过程进行建模,将复杂难理解的理论及内部机理以直观可见的有向网络展示出来,同时实现在化工过程系统的故障诊断。与传统贝叶斯网络学习建模方法不同,本文提出的基于AHP-K2的贝叶斯构建方法是一种基于纯数据的贝叶斯网络学习算法,克服了需要十分依赖传统专家经验分析的不足。贝叶斯网络在故障诊断领域的研究应用,与传统以多变量统计方法为主的数据驱动技术在故障诊断中的应用不同,贝叶斯网络不需要对高斯分布进行严格假设,创建了新建模方法及其在化工生产领域的应用,具有重要的现实意义和研究前景。本文做了如下的研究:1、研究了贝叶斯网络理论,提出了一种基于层次分析法和K2算法相结合的贝叶斯网络学习方法,建立了 TE过程基于AHP-K2的贝叶斯网络。2、研究了基于约束和评分搜索相结合的贝叶斯网络混合结构学习算法,提出了一种MI-AHP-K2的贝叶斯网络结构学习算法并在Asia网络上与基于经验知识的K2算法进行比较验证,实验结果证明了该方法对Asia网的学习是有可行并且有效的。3、将AHP-K2算法应用在化工故障诊断中。利用层次分析法确定变量顺序,生成贝叶斯网络模型,通过对网络进行聚集系数、平均度、平均距离等故障分析指标分析来辨别系统运行状态是否发生变化,将故障情况与系统正常运行时的网络特征对比,找到故障点。研究TE过程模型,在TE过程对本文所提出的方法进行仿真验证,验证了方法是可行并有效的。目前,在化工过程中使用贝叶斯理论进行故障诊断的技术仍具有较大的发展空间,还需不断实验尝试,同时在强大的理论支持下优化算法的研究也是一个大方向。