随着科技水平的发展以及人类生活对化工产品多样化的需求,现代化工过程的生产规模与日俱增,生产过程更加趋于复杂化、自动化。自动化的生产过程虽然是人工智能进步的体现,但也加大了系统各个部分的耦合性,从而增加了系统发生故障的风险。本文针对现代化工生产过程的特点,提出一种将支持向量机(support vector machines,SVM)和人工神经网络相结合的信息融合故障诊断方法,将SVM和BP(Back Propagation)神经网络的初步诊断结果作为证据体,再利用D-S(Dempster-Shafer)证据理论对两个证据体进行融合处理得到新的诊断结论。本文以TE(Tennessee Eastman)过程为研究对象,以TE过程中的数据为实验仿真数据,主要完成了以下工作:(1)研究了主元分析(Principal Component Analysis,PCA)和 SVM 相结合的故障诊断方法。利用PCA对TE过程数据进行故障特征提取,然后使用交叉验证的方法对SVM的参数进行优化,从而对TE过程进行故障诊断。仿真结果表明,该法比单一的SVM法有更高的故障识别率,将这一方法的诊断结果作为D-S证据理论的一个证据体。(2)研究了 PCA和BP神经网络相结合的故障诊断方法。利用PCA对TE过程数据进行故障特征提取,然后再使用BP网络进行故障诊断。仿真结果表明,该方法比单一的BP网络有更高的故障识别率,将这一方法的诊断结果作为D-S证据理论的另一个证据体。(3)针对D-S证据理论对证据体表示形式的要求,分别构造SVM和BP网络预测结果的概率输出形式,最后使用Dempster合成规则对两组证据体进行合成,得到基于信息融合方法的诊断结论。仿真结果表明,信息融合的方法在故障识别率方面优于PCA和SVM相结合的方法,同时也优于PCA和BP神经网络相结合的方法。