随着科技的高速发展和进步,过程自动化在现代化工工业生产中应用越来越广泛,其功能日趋完善。同时系统规模不断扩大,结构复杂性的日益提高,导致系统存在大量的安全隐患。这使得化工过程的生产安全成为企业获得经济利益的基础,如若发生严重故障,势必会引发灾难性的事故,阻碍企业经济发展的步伐。无论从维护人身安全还是从保护环境的角度出发,系统的可靠性与安全性都必须得到切实的保障,因此,研究有效的过程故障诊断与监控方法已经受到了国内外广泛学者和企业的关注。本文针对复杂工业过程故障诊断的难点,深入研究了现代故障诊断技术,对神经网络技术实现过程故障诊断的多种方法进行了分析和比较,选择了一种学习速度快且泛化性能稳定的神经网络模型一极限学习机,提出了基于模糊C均值聚类算法的极限学习机集成方法和基于可拓样本聚类算法的极限学习机集成方法。其中模糊C均值聚类算法对故障的聚类主要基于优化目标函数的思想,可拓样本聚类算法主要通过可拓距离调整第二类可拓神经网络的双权值来实现对故障的聚类,对分类后的故障分别建立多个极限学习机模型,最后采用多数投票法实现极限学习机的集成。田纳西-伊斯曼(TE)过程十分合理有效地模拟了复杂工业过程。运用本文的两种方法分别对TE过程故障进行诊断,实验结果与传统ELM网络方法和递阶神经网络方法分别在故障诊断准确率和诊断速度两方面进行了比较。基于可拓样本聚类的极限学习机集成方法对TE过程大部分故障的准确率和诊断速度都高于其他三种方法,说明可拓样本聚类方法对T]E过程故障的聚类更合理有效,同时也验证了该集成方法的实用性。