تشخیص نقص در مورد بازبینی و بررسی یک سیستم ، شناسایی زمانی که یک نقص روی می دهد و مشخص کردن نوع و مکان نقص می باشد. نقص را می توان به عنوان یک پروسه غیر نرمال یا نشانه غیرنرمال در نظر گرفت مانند فشار بیش از اندازه در یک راکتور یا کیفیت پایین قسمتی از یک کالا. برای بهبود اطمینان ، امنیت و کارایی روش های پیشرفته نظارت و کنترل ، تشخیص نقص به صورت فزاینده ای برای عملیات تکنیکی دارای اهمیت شده است. که این موضوع برای تجهیزاتی مانند قطار، هواپیما ، اتومبیل ، پایگاه های انرژی و پایگاه های شیمیایی نقش حیاتی دارد. کشف نقص جزء اولین مرحله تشخیص نقص میباشد که موضوع این تحقیق است. در این مرحله حالت جدید سیستم مورد بررسی قرار میگیرد و تشخیص داده میشود که آیا حالت نرمال است یا غیرنرمال.در این زمینه مطالعات زیادی انجام شده و روش های کلاسیک و مدرن متعددی به کار رفته است. معیار زمان و دقت در این زمینه دارای اهمیت ویژه ای است و مدلی برتر است که بتواند نقص را با دقت بالاتر و سریع تر از مدلهای دیگر کشف کند . در این تحقیق ما روش های آماری و شبکه عصبی را با توجه به این 2 معیار با هم مقایسه می کنیم. مدل آماری بیزین دوبعدی با 2 مدل شبکه عصبی کوانتیزه نمودن برداری و پرسپترون چندلایه مقایسه می-شود .مدل ها با داده های فرآیند tennessee eastman ارزیابی می شوند . با توجه به نتایج مشخص می شود که مدل های شبکه عصبی بهتر از مدل آماری عمل کرده است . در انتها برای بهبود دقت مدل های شبکه عصبی یک روش انتخاب ویژگی به کار می رود.