过程工业的故障诊断对保证生产安全、提高产品质量有着重要作用。论文以神经网络研究为基础,针对过程工业存在数据分布复杂、高维等特性,对其故障诊断方法进行研究。具体工作包括:(1)过程工业数据的高维及相关特性,会影响诊断结果的准确性。论文先采用主元分析法对数据降维处理以去除相关性,处理后的数据输入学习矢量量化神经网络进行故障诊断,田纳西-伊斯曼(TE)过程的仿真表明该方法(PCA-LVQ)具有更高的识别率。(2)论文采用粒子群优化算法来确定概率神经网络的平滑参数,针对标准PSO算法易陷入局部极值的缺点,采用非线性变化的惯性权重代替线性变化的惯性权重来改进粒子群优化算法(IIWPSO),最后应用于概率神经网络中进行故障诊断。数值仿真和TE过程的仿真表明了该方法(IIWPSO-PNN)的有效性。(3)在实际应用中,操作者通常是缺乏神经网络计算经验的普通技术人员,很难保证实际效果,因此,论文将神经网络集成算法应用于故障诊断中。首先采用Bagging算法生成多个个体网络,再用IIWPSO-PNN算法训练网络并生成多个IIWPSO-PNN分类器,最后采用相对多数投票法生成最终结果。UCI标准机器学习库和TE过程的仿真表明了该方法(Bagging-IIWPSO-PNN)的有效性。