信息和传感技术的深入应用,使得工业生产过程累积了越来越多的数据,这些数据中蕴含着大量关于生产状况以及安全等方面的重要信息。随着数据规模的增大以及数据之间映射关系、复杂程度的加剧,基于传统数据驱动的方法进行信息提取变得越来越困难。近年来在深度学习领域兴起的卷积神经网络(Convolutional Neural Network,CNN)可以实现多层次和多维度的复杂特征提取,在图像处理领域获得了大量成功的应用。基于卷积神经网络模型的图像故障诊断也是当前的研究热点之一。但是由于工业过程产生的数据大部分为数值型数据,而基于卷积神经网络对于工业中的数值型故障数据的研究尚处于初步的探索阶段,因此本文即以此为背景展开研究。本文的研究得到了浙江省自然科学基金的资助,主要的研究工作和成果如下:(1)为了发挥卷积神经网络在图像处理领域的优势,提出了基于雷达图表示的数值型数据的CNN分类算法(Radar-chart CNN,Radar-CNN),该算法将数值型数据用雷达图进行可视化表示并将其转换为二维图像数据,数值型数据之间的信息通过雷达图的边缘以及形状等特征得到体现。再通过构建常用的卷积神经网络模型,设置网络模型参数,使得卷积神经网络能够充分提取出雷达图的图像信息以反映出数值数据蕴含的复杂信息。(2)为了进一步研究数值型数据的特征尺度和序列对基于雷达图的模型性能的影响,提出了基于排序(Rank)和序列前向选择(Sequential Forward Selection,SFS)两种特征选择的方法对数值型数据进行预处理。经过预处理后选取的特征不会存在冗余,降低了绘制雷达图的时间。同时筛选出的具有代表性的特征将会使得雷达图能反映出更准确的信息,得到最佳的分类精度。(3)针对卷积神经网络模型在对工业数值型数据直接建模分类时存在特征使用不充分、模型分类性能不佳等问题,提出了一种基于自适应卷积核的改进CNN(Improved CNN based on adaptive convolution kernel,ACK-ICNN)算法。该算法为了增加特征的重复使用率,构建了一种多尺度卷积核的模型结构,通过融合处理卷积核提取的不同特征来实现,增强了模型的适应能力;为了进一步提升该算法的性能,利用网格搜索算法自适应选取卷积神经网络中最优的卷积核大小,使得模型能够提取出最优的特征。(4)将上述三种基于卷积神经网络的改进算法应用到TE化工过程,建立了故障分类模型。所提算法与极限学习机、最近邻、支持向量机三种典型的数据驱动方法进行了对比,实验结果表明,相比于以上三种方法,本文提出的三种算法均能有效提升各类故障的分类精度。