当代化工过程日趋复杂,其过程中的故障诊断也越发受到人们的关注,而如何进行有效的故障诊断与监控仍然是一个任重而道远的课题。自组织特征神经网络(Selforganizing Maps,SOM)算法可以将输入数据映射到平面上,使得同类数据聚集,不同类数据分离,并且同时保持数据集的拓扑结构不变,因而可以实现故障诊断的要求。流程工业的日益复杂导致其中的数据量繁多且变量间联系越发紧密,单一的SOM算法已难以满足故障诊断的需求。针对这个问题,本文提出了两种结合非线性数据降维算法与自组织特征映射神经网络的改进方案,以提高故障诊断的准确性,改进诊断的可视化效果。具体研究如下:(1)针对高维非线性数据特征难以识别并有效分类问题,提出结合核主成分分析(Kernel Principal Component Analysis,KPCA)与SOM的故障诊断算法。该算法将原始数据通过核函数映射到高维空间,然后在高维空间对数据进行主元分析法降维处理,在面对非线性高维数据时,核映射的步骤有效改善了数据的非线性特征,从而更好地反映不同故障的特征信息,从而一定程度上改善了单一SOM的故障映射结果。(2)考虑到数据类别间的相互关系,提出核Fisher判别分析(Kernel Fisher Discrimnant Analysis,KFDA)结合SOM的故障诊断算法。该算法在对数据进行核化处理改善数据非线性特征之后,引入Fisher判别分析对数据进行降维处理,使投影到新的子空间的数据具有较大的类间距离与较小的类内距离。仿真研究表明,面对其他算法难以处理的较小方差变化数据,KFDA-SOM有着良好的故障聚类效果。(3)将上述两种故障诊断方法用于田纳西伊斯曼过程(Tennessee Eastman Process,TEP),仿真研究表明这两种方法可以改善原有方法的故障诊断的可视效果,提高故障诊断的正确率。可以适用于多类型的故障,以实现对复杂化工流程的监控。