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KFDA-DESOM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。