石油化工生产是社会发展的基础产业和经济发展的支柱产业,它在现代化社会发展进程中起着十分重要的作用。随着石油化工过程的生产结构和规模日趋现代化、大型化和复杂化,生产事故发生的概率也逐渐增加。因而对石化生产过程进行有效的故障诊断来预防或避免事故的发生势在必行。为了进行有效的故障诊断,本文提出了混合故障诊断方法,其包括故障监测和故障诊断两个方面,以某石化公司的气体分馏装置中的脱异丁烷单元为应用实例进行研究验证。首先建立了基于主元分析(Principal Component Analysis,PCA)的故障监测模型。运用主元分析方法对设置的4种在线工况进行了故障监测,监测结果均与预先设置的工况一致,结果表明运用主元分析方法不仅可以极大的降低数据维数,简化计算,而且可以有效地进行在线监测,及时发现故障。然后建立了基于误差反馈神经(Back Propagation,BP)网络的诊断模型。结果表明运用BP神经网络构建故障诊断系统,只能判断出故障所属的故障类别,无法判断出具体的故障情况。采用DS(Dempster-Shafer evidence theory)证据理论对BP神经网络的诊断结果进行数据融合,结果表明运用DS证据理论可以在预知工况所属故障类别的前提下有效地诊断出故障的原因。但是BP-DS相结合的方法仍存在着诊断时间长,计算量大等不足之处。径向基(Radial Basis Function,RBF)神经网络虽然没有BP神经网络应用广泛,但是其分类能力、逼近能力、训练速度等特性全都优于BP网络,于是本文最后建立了基于RBF神经网络的诊断模型。结果表明在判别阈值为0.85时,单独运用RBF神经网络故障诊断方法可以在诊断精度稍低的情况下快速地判断出故障原因。