对于大型的化工生产过程,过程监测与故障诊断是保障安全生产的一个重要环节。本文提出一个基于核主元分析(Kernel Principal Component Analysis,KPCA)、概率神经网络(Probabilistic Neural Network,PNN)和故障树分析(Fault Tree Analysis,FTA)的过程监测和故障诊断方法。首先,建立小波降噪(Wavelet Denoising,WD)与KPCA结合的过程监测方法(WDKPCA),通过对系统运行时采集的数据进行小波降噪,提高过程监测数据的质量,利用降噪后的数据建立KPCA模型,通过计算得、SPE数据及其控制限的数据,实现对系统过程状态的监测。以田纳西—伊斯曼过程(Tennessee Eastman Process,TEP)中4种不同类型的故障作为实例进行验证,结果表明当小波降噪与核主元分析法相结合时,能够大幅提升在线故障监测的效率,及时诊断出故障的发生。然后,针对核主元分析法不能进行故障识别这一不足,提出了基于模糊C均值聚类(Fuzzy C-Means Algorithm,FCM)的概率神经网络故障诊断方法。概率神经网络在故障种类少的情况下,诊断正确率非常高。但是,当神经网络面对大样本数据时,诊断正确率下降,为提高训练样本的质量,对训练神经网络的样本数据进行模糊C均值聚类处理,从而去除冗余样本,提高神经网络的训练效率。实例分析结果表明,在对样本数据去冗余后,神经网络的训练时间减少,故障诊断正确率提升明显。最后对系统重要部件的故障建立故障树,通过故障树分析出系统的薄弱环节,辨识出故障模式,预先优化生产过程,消除故障隐患,从而降低故障发生的概率;当概率神经网络诊断失败或结果不理想时,通过分析建立好的故障树,可及时找出故障的根本原因,进而采取有效措施,避免更大的事故发生。