化工过程的数据往往含有动态时序特性，传统故障检测对动态信息的使用率较低，限制了故障诊断性能。针对这个问题，提出了一种基于注意力增强的编解码网络模型的化工过程故障诊断新方法。编码部分利用LSTM提取过程数据的特征信息，结合注意力机制，更加有效地利用过程数据间的动态信息；解码部分利用LSTM并结合注意力机制提供的上下文向量，为归一化指数的回归提供更加精准的状态信息，最后利用归一化指数回归得到各个样本数据的故障类别概率值。结果表明，注意力机制的引入，提高了模型在时域下对过程动态信息的使用效率。针对本文提出的方法，利用田纳西伊士曼过程数据进行了实验，并与标准的PCA?SVM、DBN和ResNet的结果进行了对比。结果表明，该方法诊断故障的效果更加理想。
高压断路器操作过程中的振动信号反映断路器的机械状态。针对基于浅层的振动信号分析模型的特征提取及故障诊断精度等方面存在的不足,提出了一种基于遗传算法优化的卷积神经网络高压断路器故障诊断方法。利用遗传算法的全局寻优能力,通过遗传算法的选择、交叉和变异等操作获得最优初始网络结构参数及全连接层神经元数等，进而优化卷积神经网络,并将优化后的卷积神经网络应用于高压断路器的故障诊断。结果表明,所提方法的诊断性能优于未进行优化的卷积神经网络、动态支持向量机和多层感知机。
