随着工业化的快速推进,工业过程的复杂化及规模化程度越来越高,这导致故障发生的几率增加,进而导致工业事故的发生。此外,传感技术的发展使得越来越多的故障数据被保存下来,传统的故障诊断方法已难以适应大数据背景下的要求。有效的故障诊断技术能够及时发现故障,确保生产过程安全运行。深度学习利用较深的网络层将非线性函数进行组合,从而使其具备强大的数据表达能力,因此在诸多领域都表现优异。本文以此为出发点,研究基于深度学习的工业过程故障诊断方法,对丰富故障诊断技术具有重要的理论和实际意义。首先对相关神经网络的原理及其优缺点进行了介绍,通过分析工业过程数据的特点,并结合长短期记忆神经网络(LSTM)与卷积神经网络(CNN)的优势,提出了一种多通道LSTM-CNN(MCLSTM-CNN)的故障诊断方法。随后针对该方法设计了具体的故障诊断流程及模型结构。其次,考虑到超参数对模型训练结果的影响,对训练过程中涉及的主要超参数进行了介绍总结。将TE化工过程作为实例应用,预处理故障数据后,通过控制变量法改变参数不断重复实验以提高诊断精度,并与其他故障诊断方法的实验结果进行对比。此外,为了提高故障诊断的实时性,采用Spark大数据平台实现与MCLSTM-CNN算法的并行计算,并利用多个评价指标分析集群环境带来的性能提升。研究结果表明MCLSTM-CNN模型的测试集准确率高达93.66%,能够有效诊断不同类型的故障。通过将MCLSTM-CNN模型的诊断结果与LSTM-CNN,LSTM,CNN,RF和KPCA+SVM模型进行比较,实验结果表明MCLSTM-CNN模型的诊断精度最高,因此本文所构建的模型具有科学性和适用性。Spark环境下MCLSTM-CNN模型的并行化实验表明,集群能够极大缩短模型运行时间,给模型带来较好的提速效果。因此,本文研究结果在提高工业过程故障诊断准确性的同时又加快了故障诊断的效率。