现代工业生产过程的科技含量越来越高,对安全生产以及设备可维护性的要求也逐渐提高。目前,绝大多数复杂化工生产过程属于多模态过程,因其产品需求、生产方案等诸多原因会产生多个运行工况,从而产生大量的多模态数据。多模态数据含有多个过程变量,数据之间存在非线性、非鲁棒性等特性。如果多模态工业生产过程中有设备故障问题,整个生产线要停止生产相关产品,影响效益甚至威胁到技术人员的人身安全。因此,多模态过程故障诊断技术的发展对当今工业安全生产问题至关重要。本文的研究内容主要是以田纳西伊斯曼过程(TE过程)工业模型为仿真模型来获取数据,基于深度学习对多模态过程集合型故障诊断方法展开研究。将多模态过程集合型故障诊断过程分为数据去噪、数据降维、故障分类以及模型参数优化四个环节进行,并提出了基于深度学习的集合型故障诊断方法,即VMD-LLE-CPSO-DBN集合型故障诊断方法。首先,利用TE过程仿真模型仿真出实验所需的正常数据集和故障数据集,数据集去噪环节选用变分模态分解算法(VMD),目的是以减少数据噪声干扰。由于深度置信网络(DBN)在建立高维数据分类模型时存在训练时间长的问题,本文采用局部线性嵌入算法(LLE)对高维样本数据进行降维,从而减少研究对象变量的个数,减少数据冗余,降低特征提取难度,缩短模型训练时间。利用混沌粒子群算法(CPSO)对深度置信网络模型进行参数寻优,避免了基本粒子群算法容易陷入局部最优的情况,然后将降维后的数据作为深度置信网络的网络输入,构建含有4个受限玻尔兹曼机共5层结构的深度置信网络,利用深度置信网络强大的数据学习能力进行故障分类,构建了一类含数据预处理机制的深度置信网络分类器。通过与传统故障诊断方法对比,证明了该方法能提高模型对样本的学习能力和模型故障诊断的精度。最后建立多模态过程仿真实验平台验证了 VMD-LLE-CPSO-DBN集合型算法的有效性。