聚合釜是聚合反应的主要设备,其正常运行是整个生产工艺能否顺利进行的关键,如何将智能算法应用到聚合设备生产故障诊断检测成为研究的热点。本文利用聚合设备运行监控中的各种变量历史数据,提出了将粗糙集与神经网络相结合建立数据模型,并利用遗传算法进行模型结构优化,通过有效的数据训练出可靠的神经网络模型,应用到聚合釜生产单元的故障诊断中,主要工作可分为如下几个方面:首先,BP神经网络常常用于数据驱动的非线性故障诊断模型的建立中,具有联想记忆、抗干扰能力强等优点,然而传统BP网络反向学习算法收敛速度慢,而且收敛过程往往呈现局部最优便中止训练,达不到最小点。在分析常见BP网络改进学习算法原理后,通过实验对比各种改进学习算法的优缺点,采用Levenberg_Marquardt数值优化算法改善传统BP训练的不足,并设计出某锦西化工70m~3PVC聚合釜故障诊断BP神经网络设计,然而诊断模型并没有达到故障诊断的准确率要求。其次,将粗糙集合与神经网络相结合,并对粗糙集理论和属性约简进行系统研究,属性约简为NP-hard问题,当大量数据集出现属性冗余时,采用一般的正域方法往往具有盲目性,无法实现最优。本文提出了遗传算法对粗糙集属性约简的最优设计,并改进了属性依赖度结构,旨在核属性的基础上保留客观必要属性,防止相对性约简将其删除,得到结构最优属性最佳的属性集合,增强了属性约简的灵活性与可靠性。通过粗糙集的改进属性依赖度遗传算法属性约简,剔除属性数据的冗余性,有效降低诊断数据BP网络训练的过拟合现象,提高了故障诊断的准确率。最后,本文在对该70m~3PVC聚合釜常见问题建立的故障树定性诊断方案基础上,给出了粗糙集及神经网络相结合的数据驱动定量故障诊断设计流程,与此同时,在进行BP网络的初始参数的设计中,为降低初始随机阈值和权值给整个BP网络训练带来的不确定影响,提出了遗传算法优化BP网络初始阈值和权值的设计,最大程度的改善了测试样本的误差精度。最终以仿真实验给出本次神经网络在故障诊断训练的有效性,其不仅对实际工厂生产故障诊断还是理论发现都具有很好的指导意义。