随着化工生产规模不断扩大,日趋复杂化的化工系统更容易发生重大安全事故。为保障化工生产过程能够长期稳定运行,及时发现故障并精准诊断故障是化工领域的研究难点。由于化工过程数据具有高维度、非线性和动态时序性的特点,传统数据驱动的故障诊断方法应用在复杂化工过程中难度较高。因此,本文基于长短时间记忆网络(LSTM)对田纳西-伊斯曼(TE)过程的故障诊断方法进行研究,提出一种基于孪生长短时间记忆网络(Siamese LSTM)的故障诊断方法。此外,针对各类样本数目存在的不平衡情况,本文对Siamese LSTM方法展开进一步的研究。本文的主要研究内容如下:(1)针对化工生产环境复杂且容易受到各种噪声干扰的问题,本文采用小波阈值降噪的方法对原始信号进行降噪。实验结果表明,经过降噪后的信号不仅更加平滑,而且能够较好的保留原始信号的有效特征。(2)针对化工过程监测数据具有高维度、非线性、动态时序性的特性,以及微小故障因特征不明显难以诊断的问题,本文结合具有长短时间记忆功能的LSTM网络和能够放大相似样本之间微小差异的孪生网络,提出一种基于Siamese LSTM的故障诊断方法。基于TE过程故障诊断的对比实验显示,本文提出的Siamese LSTM方法的平均召回率为96.98%,其较于常用的时间序列模型RNN、GRU分别提高了10.81%、3.48%;尤其是对TE过程中的3类微小故障,该方法的故障诊断效果取得明显的提升,这表明了本文方法对TE过程的故障诊断具有更佳的表现。(3)针对实际化工过程中存在各类样本数目不平衡的问题,本文提出基于合成少数过采样技术(SMOTE)和Siamese LSTM模型的组合诊断方法。基于经典的SMOTE方法,本文首先通过数据合成改善了数据分布不平衡的问题;在Siamese LSTM模型的基础上,通过改进模型的代价函数,实现自适应更新不同类别的权重,从而提高网络对小类样本的敏感度。实验结果表明,该方法在多种故障场景、多种不平衡数据比例情况下,均能获得更加鲁棒的诊断效果。