化学工业的原料和中间产品大多具有腐蚀性、毒性、易燃、易爆等危险性质。此外,随着化学工业集成化和规模化程度越来越高,各过程变量间的相关关系更加错综复杂,有时一个局部的小故障能引起严重后果。因此及时检测出故障,准确诊断出故障的根原因、传播路径及变化趋势对化学工业是至关重要的。当前仪表系统的进步提供了大量的“数据原料”,而数据信息科学的发展提供了先进的工具,因此数据驱动方法逐渐成为故障诊断领域最具有生机和活力的研究方向。本文提出了一种基于改进主元分析法（Improved Principal Component Analysis,IPCA）和多状态贝叶斯网络（Multi-state Bayesian Network,MBN）的混合故障诊断方法（IPCA-MBN）。故障检测阶段,利用改进主元分析法检测过程故障并利用统计量分解贡献图识别故障变量。改进主元分析法引入了约翰逊转换对过程数据进行了正态变换,很好地缓解了传统主元分析法对正态分布过程数据的苛刻要求。此外,使用斯皮尔曼秩相关系数矩阵代替传统主元分析法的协方差矩阵提升了对非线性过程数据的特征提取。故障诊断阶段,由过程数据训练得到的多状态贝叶斯网络用来接收故障检测阶段识别的故障变量,然后更新网络,识别故障的传播路径和根原因,并得到以概率表示的关键过程变量的变化趋势。多状态贝叶斯网络将变量节点分为五种状态:高型故障,高型正常,正常,低型正常和低型故障。这比传统的贝叶斯网络节点的正常和故障二元分类更加细化,能更加具体地诊断故障的传播路径、根原因及变量的变化趋势。此外,在MBN的建立过程中,节点的状态划分由非参数的核密度估计法进行,节点的条件概率由最大似然估计法得到,一些过程知识难以判断的节点因果连接关系由转移熵计算辅助确定。本方法首先在一个实际的脱丙烷精馏过程上进行了探索和验证,后面又将其应用到故障诊断领域标准测试TE过程中去。结果表明,与传统的主元分析法、核主元分析法以及动态贝叶斯网络方法对比,此方法具有故障检测率高、误诊率低、计算负荷小等优点。此外,除了能诊断故障的根原因、传播路径,它还能准确诊断过程变量的变化趋势。