随着工业企业信息化的迅速发展,在流程工业过程中很难避免故障的发生。一旦流程工业过程中出现了故障,从各个方面都会造成严重的后果。与西方国家相比,我国的故障诊断技术可能要晚一些,虽然也相继召开了设备技术诊断座谈会,但目前,面向流程工业故障诊断的模糊多属性决策方法的研究还比较少,研究成果相对匮乏、无论是在理论方法研究方面,还是在应用研究方面,都没有得到应有的重视。随着当今人工智能的发展,故障诊断技术也进入了一个新的时代,模糊多属性决策研究和故障诊断方向也是一个新课题,具有较强的探索性和前沿性。本文主要研究面向流程工业故障诊断的模糊多属性决策方法,以汽轮机故障诊断和化工田纳西(Tennessee Eastman,TE)过程故障诊断为背景,探索流程工业故障诊断的有关模糊多属性决策的新方法。本文的工作为以下几个方面:(1)现代测量技术所获得的大量故障特征信息主要有不完整的信息,不确定的信息或者不一致的信息,其中,根据实际的情况,故障频率特征就存在不完整和不确定的信息等问题。因此,为了考虑每个故障频率元素的重要性,以模糊数学和模式识别理论为基础,对传统的模糊贴近度方法做了改进,提出了一种基于单值中智数的模糊贴近度方法,应用于汽轮机的故障诊断中。(2)传统的K近邻(KNN)算法没有考虑样本特征之间的相对关系,需要计算测试样本与所有的训练样本的距离来确定k个近邻,以至于分类速度慢,计算复杂度高。针对以上述问题,本文引入模糊数学中相关的概念——模糊隶属度,贴近度方法,提出一种基于加权卡方距离度量的模糊K近邻算法(CSFKNN)。为了使此方法能得到更好的应用,下一步将CSFKNN算法应用到流程工业的故障诊断中。(3)在流程工业的故障诊断过程中,由于故障样本数据具有多个属性,有些属性之间没有相互关联的作用,这样就造成了故障样本数据的多属性群问题。为了解决这一问题,本文把VIKOR方法和模糊K近邻方法相结合,提出了一种基于VIKOR方法和模糊K近邻方法的故障诊断方法(VCSFKNN),将故障样本数据的多属性群问题转化为模糊多属性决策问题,应用到TE过程的故障诊断领域。