现代制造业设备具有规模大、复杂性高、变量多，并在闭环控制下运行的特点。这些设备不仅造价昂贵，而且运行过程表现出强烈的非线性特征。无论是基于设备管理还是基于生产管理的考虑，都需要对设备的运行状态有全面的了解，这也是进行故障诊断的基础。由于反映设备状态的信息数量巨大，设备结构十分复杂，因此传统的故障诊断方法显得力不从心，已经不能很好的适应现代生产的要求。 自组织人工神经网络，也称自组织神经网络，不仅具有良好的分类和聚类能力，而且具有自学习、自更新记忆的特点，已被广泛的应用到大样本量数据的聚类和分类之中。本文利用自组织神经网络的分类和聚类能力，将研究对象的运行状态分类为正常状态、故障状态、过渡状态、未识别状态四种大类别，并进一步将四大类别详细划分，形成更加丰富的分类。这个过程实际是利用自组织神经网络将高维数据内在的相似性反映在一个二维平面上。在此原理的基础上，利用时间窗口法，将采集的设备实时状态信息输入，即可在二维平面上得到连续的设备当前运行状态的情况，形成一条设备状态运行轨迹。通过这条轨迹，不仅可以进行设备故障诊断，而且还可以进行设备状态监测。 本文主要结果与结论如下： (1)研究故障诊断领域进展综述，提出本文研究的问题。列举了设备故障诊断的起因，以及目前国内外的研究状况。针对当前大型化工设备普遍情况以及传统方法的不足，探讨使用自组织神经网络来实现大型化工设备的实时在线故障诊断及诊断可视化的可行性，并指出了论文的意义。 (2)化工设备实时在线故障诊断模型的建立和研究。主要探讨如何以自组织神经网络为核心，针对“田纳西-伊斯曼系统”，建立一套完整的设备实时在线故障诊断模型SO-FDD。 (3)系统设计。主要讨论如何设计系统流程模型，并利用MATLAB以及c语言这两个开发工具将上述模型进行代码实现。 (4)实验分析。将通过“田纳西-伊斯曼系统”得到的仿真数据，输入故障诊断系统SO-FDD，来验证本文提出的方案，最后对结果做出了相关的分析。 (5)总结全文工作，指出论文的创新之处。本文通过利用构建的故障诊断系统，成功的对田纳西-伊斯曼系统进行了故障诊。对于21种故障，其诊断的总体性能明显优于对照的诊断方法。 本文对化工设备实时在线故障诊断及其可视化提出了新的实现方法，建立了基于自组织神经网络的化工设备故障诊断及其可视化模型，具有一定的实际和创新意义。