关键词：过程控制;神经网络;优化设计;差分进化算法;故障诊断
摘 要：针对化工过程故障诊断数据存在高维度、故障特征不易区分、自组织映射（self-organizing map,SOM）网络易陷入局部最优等问题，提出了一种基于改进核Fisher判别分析（kernel Fisher discriminant analysis,KFDA）与差分进化算法（differential evolution,DE）优化SOM神经网络相结合的故障诊断方法。该方法首先利用欧氏距离对类间距进行加权处理，以避免因类间距离过大造成投影后的数据存在重叠的问题，使故障数据样本获得较好的投影效果，优化分类性能；然后,利用DE算法对SOM神经网络的权值向量进行动态调整，有效避免了由于“死神经元”的出现陷入局部最优的问题；最后，通过对田纳西-伊斯曼（tennessee-eastman,TE）过程和对二甲苯（paraxylene,PX）歧化工艺过程的故障数据进行诊断测试。结果表明，与传统SOM网络相比，提出的KFDADE-SOM算法具有较高的分类诊断精度，可有效应用于化工过程的故障诊断。
内 容：原文可通过湖北省科技信息共享服务平台（http://hbstl.hbstd.gov.cn/webs/homepage.jsp)获取