电解槽作为铝电解生产中的典型设备,其运行状态直接影响经济技术指标、日常生产以及电解槽的使用寿命。但是,电解槽同时受磁场、电场及高温的干扰,故障特征不易辨识,可连续测量的生产参数少,难以监测电解槽状态及诊断故障。因此,本文以306k A预焙阳极电解槽为研究对象,采集了正常、铝液波动、阴极破损、极距过低和炉底结壳五种槽况的槽电压信号,对信号降噪、故障特征提取、故障分类等问题做了深入研究。论文首先介绍了电解槽常见的故障模式,以及对槽电压的影响。采用直接法估计了五种槽况槽电压信号的功率谱,结果指出信号功率的频域特征相似、主频率均在0-0.1Hz之间,需要深入分析信号特征。随后,采用小波阈值方法对槽电压信号做降噪处理。局域均值分解算法(LMD)可以保留较多的频率和幅值特征,常用于机械故障诊断。不同于机械振动信号,过程信号平稳、采样频率小。因此,本文改进了LMD算法:调整信号取值范围、非线性变换、放大信号局部特征、再进行信号分解,并选择PF分量的相对能量和总能量作为故障的特征值。实验结果表明,改进算法提取的特征值可以准确表征五种电解槽状态。最后,采用极限学习机(ELM)算法辨识故障类型。针对ELM随机给定隐含层参数的缺点,采用粒子群算法(PSO)对隐含层参数寻优,从而提高分类精度。再针对PSO算法易陷入局部极值的缺点,对惯性权重的取值方式做改进:采用了惯性权重非线性减小策略,并将分类正确率作为寻优结束的先决条件,减小迭代次数,提高网络训练速度。实验结果表明,PSO优化的ELM既保证了较快的训练速度,同时获得了更高的故障分类正确率。