随着化工生产过程的不断发展以及高科技技术的注入,流程中的人身安全和生产安全渐渐得到了越来越多的关注。但是,由于化工流程的复杂程度提升,发生事故的风险也变得越来越大,对安全生产带来越来越大的威胁,为了保证工业过程稳定可靠地运行,生产过程的有效监控以及故障的及时排查显得尤为重要,可靠的故障诊断技术成为了一种有效的安全手段,同时也是一个被广泛关注和值得研究的课题。本文针对工业化工过程系统数据庞大且复杂、产生的故障类型较多且不易被发现并区分等问题,以典型的田纳西-伊斯曼（Tennessee-Eastman,TE）过程为研究对象,开展化工过程的故障诊断技术研究。具体研究内容总结如下:（1）针对蝴蝶优化算法（butterfly optimization algorithm,BOA）容易陷入局部最优、收敛速度慢、搜索精度低等问题,本文利用三种优化策略对其进行改进,提出一种改进蝴蝶算法（improved butterfly optimization algorithm,IBOA）。首先,利用反向学习策略获取初始化种群,保证每一个个体的随机性,从而增加种群多样性。然后,通过自适应调整策略来平衡算法的全局搜索和局部搜索能力。最后,通过添加Tent混沌局部搜索策略,实现种群均匀分布,在搜索全局最优时避免算法陷入局部最优,进而有效提高算法最优解搜索能力。通过8个数学测试函数的寻优效果对IBOA算法的性能进行评价,验证IBOA算法的有效性、稳定性和优越性。（2）针对极限学习机（extreme learning machine,ELM）用于故障诊断时自身的不稳定性以及参数选择的局限性等问题,提出基于IBOA算法优化的ELM故障诊断方法。首先,由于TE数据集特征维数较高,分类时计算量大且分类效果欠佳,利用主成分分析（principal component analysis,PCA）对TE数据集进行降维以及特征提取。然后,利用IBOA优化ELM的权值和阈值,得到最优的模型参数,使其具有更好的表达性能。最后,将处理后的TE数据集送入模型,验证优化后的ELM的故障分类能力。结果表明,与传统的故障诊断方法比较,该方法具有更高的分类精度和更快的分类速度,验证了本文方法的有效性和优越性。（3）针对随机配置网络（stochastic configuration network,SCN）容易发生过拟合以及参数选择随机性等问题,提出基于IBOA算法优化正则化约束的SCN网络的故障诊断方法。首先,利用PCA进行数据降维和特征提取,解决SCN网络在高维数据训练过程中的过拟合问题,提高模型性能和分类精度。然后,通过IBOA实现L2正则化参数、以及输入权值和输入偏差的比例因子的优化,来增强SCN网络的泛化能力,提高SCN的计算效率和分类精度。最后,利用该模型对处理后的TE数据集进行故障分类实验,验证此方法的有效性和优越性。对比结果表明,本文方法能够有效提高故障分类精度和分类效率,具有较好的理论价值和实践意义。