故障诊断技术作为保障工业过程安全性和可靠性的重要手段,受到了学者和专业人士的广泛关注。极限学习机(ELM)是面向平衡数据的监督型单隐层前馈神经网络训练方法,因学习速度快且泛化性能好而应用于故障诊断领域。然而现有ELM方法均是通过故障分类来进行故障诊断,以确定故障类型,却缺少有效的故障检测方法,为此本文给出一种基于无监督核ELM的故障检测方法。进一步考虑到故障诊断过程中,带标签数据不足和数据不平衡等数据特点对构建故障分类模型的影响,研究了基于半监督ELM和基于选择性集成ELM的故障诊断方法。TE过程上的仿真实验验证了本文方法的有效性。具体工作如下:针对无监督ELM(UELM)仅考虑数据间局部结构信息及其本身具有的随机性而导致故障检测性能不佳的问题,通过分析研究数据结构和核技巧,给出了基于无监督核ELM(UKELM)的故障检测方法。UKELM将数据的全局结构分析融入UELM目标函数中,并采用核映射代替随机的隐含层特征映射,能更有效地提取数据特征并解决输出不稳定的问题。基于获取的数据特征,利用k近邻检测构建监控统计量,则可进行故障检测。TE过程上的仿真实验表明,该方法能有效的进行故障检测并提高故障检测的性能。针对工业过程中因数据标注困难而导致带标签数据不足时的故障诊断问题,通过研究ELM网络结构和半监督学习理论,给出一种基于半监督ELM的故障诊断方法。基于重构的半监督ELM(RSELM)先采用自编码ELM(ELM-AE)获取隐含层的输入权重,然后在特征空间中基于重构误差最小化的原则构建近邻数自适应确定的重构图,并利用带标签数据的类别信息优化连接权重,最终于输出空间中构建含局部保持功能的目标函数来确定输出权重,完成故障分类器的训练。标准数据集和TE过程的仿真结果表明,该方法能达到比传统的半监督ELM方法更高的分类精度,提高了故障诊断的准确性。针对工业过程中因故障频次发生不一致而导致数据不平衡时的故障诊断问题,通过分析研究不平衡数据的特点及解决策略,给出一种基于不平衡ELM故障诊断方法。基于混合采样的选择性集成ELM(HSE-ELM)方法采用结合了随机欠采样和SMOTE方法的混合采样策略,以获得故障数据重平衡的数据子集来训练ELM基分类器;同时考虑到分类器在不同数据域上分类性能的差异,采用选择性集成的方法为每个待测样本选择合适的基分类器用于集成学习。TE过程上的仿真实验验证了该方法的有效性。