این پایان­نامه گامی به سوی حل مساله تشخیص و شناسایی خطا در فرآیند tennessee eastman می­باشد. انگیزه این پایان­نامه ارائه و توسعه روش­های موجود در تشخیص و شناسایی خطا بوده است، که در عمل نیز کارکرد مناسبی از خود نشان دهند. ویژگی­های اصلی این پایان­نامه را می­توان به صورت " استفاده از شبکه های عصبی بعنوان طبقه­بندی کننده" و "استفاده از روش های تکاملی مانند الگوریتم ژنتیک به منظور بدست آوردن مولفه­های مناسب جهت استفاده در طبقه­بندی کننده ها" عنوان کرد. که در طول این پایان­نامه همراه با جزئیات شرح داده خواهند شد. در این پایان­نامه، ابتدا در مورد انواع خطا و چگونگی اعمال آنها به سیستم توضیحاتی ارائه می­شود، سپس به معرفی روش­های اولیه و ساده آشکارسازی و شناسایی خطا می­پردازیم، در ادامه روش­های جدیدتری، که به تبع پیشرفت صنعت رایانه­ها و پردازنده­های قوی بوجود آمده­اند، را معرفی می­کنیم. در فصل دوم به معرفی سیستم­های آشکارسازی و شناسایی خطا (fdi ) با رویکرد آماری و بر پایه داده می­پردازیم. این فصل الگوریتم­های بهینه­سازی روش مورد نظر جهت آشکارسازی و شناسایی خطا را نیز در بر دارد. فصل سوم مربوط به سیستم­های تشخیص و شناسایی خطا بر پایه دانش می­باشد، در این فصل در مورد شبکه عصبی مصنوعی توضیحاتی ارائه می­گردد و سپس به شرح چگونگی استفاده آن در سیستم­های fdi می­پردازیم. در فصل چهارم tennessee eastman process را معرفی می­کنیم، که الگوریتم­های پیشنهادی این پایان­نامه جهت آشکارسازی و تشخیص خطا در این سیستم بکار برده خواهد شد. نتایج پیاده­سازی روش­های مختلف بر روی tep در فصل پنجم آورده شده است و در انتها فصل ششم، مختص به نتیجه­گیری و پیشنهادات می­باشد.