科技的发展使得现代工业生产越来越智能化、复杂化。复杂工业过程确实提高了企业的经济效益,但是由于复杂工业过程规模庞大、结构复杂、生产单元之间的耦合性极强,使得复杂工业过程故障诊断的难度越来越大。因为生产过程会产生海量的数据,在复杂工业过程故障诊断方面,基于数据处理和知识的方式是主流发展方向。但是,复杂工业过程影响因素增多,各影响因素之间存在错综复杂的关联关系,基于数据驱动的方式不能很好的表达这种复杂关系,基于知识的方式处理大规模数据存在效率问题,导致传统的故障诊断方法不能很好的适应复杂工业过程故障诊断的场景。因此复杂工业过程故障诊断技术成为近年来一个值得研究的问题。针对上述问题,我们需要采用一种新颖的、通用的方案来解决复杂工业过程故障诊断遇到的困难。基于此,本文采用基于知识和数据驱动相结合的方法来进行研究。本文的主要内容如下:(1)本文提出了基于多层次知识图谱和贝叶斯理论的故障诊断方案。为了更好的表达影响因素之间错综复杂的关系,本文采用知识图谱的方式构建更全面的信息,将知识图谱作为知识库利用机器学习的方式进行推理检测系统状态并定位故障源。构建的知识图谱作为后续故障诊断的数据支撑,内容越丰富,推理才能够越准确。本文提出方案的重点和难点在于如何构建一个内容丰富的知识图谱。(2)为了使构建的知识图谱能够为故障诊断提供强大的数据支撑,本文提出一种多层次知识图谱的构建方法。分析影响系统状态的层面,根据各个层面获取多源数据。根据数据特征构建单层次知识图谱,然后利用多源数据融合模型将各个层次的数据融合到一起,形成一个内容覆盖全面,结构立体的多层次知识图谱。(3)由于知识图谱存在缺失关系问题,从而导致故障诊断不准确的情况发生。本文提出一种ENCProj E模型来挖掘这种知识,使多层次知识图谱中的内容覆盖更加全面。ENCProj E模型将多层次知识图谱包含的丰富语义信息融入Proj E模型来加强模型的链接预测能力,挖掘多层次知识图谱的知识。为了解决复杂工业领域故障诊断存在的问题,本文提出基于知识图谱和机器学习的故障诊断方案。将多层次知识图谱作为故障诊断的数据支撑,利用基于知识和数据驱动相结合的方法进行故障诊断,为故障诊断提供了一种新的思路。因此,本文的研究具有一定积极现实的意义。