化工故障诊断在化工行业中一直占有至关重要的地位,高效的化工故障诊断技术能够有效的减少企业和国家的经济损失。本文针对化工故障诊断,采用加权最小二乘支持向量机(WLSSVM)、相关向量机(RVM)和核极限学习机(KELM)进行建模,然后采用群智能优化算法对模型进行参数优化,同时,对群智能优化算法进行了结合和改进,有效的提高了化工故障的诊断能力。本文提出了多种基于机器学习及群智能优化算法的化工故障诊断模型,并且应用到田纳西伊斯曼过程中。本文的主要工作及贡献如下:1、针对田纳西伊斯曼过程,选择合适的输入变量和输出变量作为建立模型的变量,采用主成分分析(PCA)进行变量的降维和提取特征,对变量进行标准化,并确定了化工故障诊断模型的评价指标;2、在传统WLSSVM模型的基础上,针对WLSSVM模型不易确定模型参数的问题,采用了群智能优化算法粒子群算法(PSO)进行WLSSVM模型的参数优化,提出了 PSO-WLSSVM故障诊断模型,并应用到TE过程中,实验结果表明PSO-WLSSVM模型具有更好的故障诊断能力,证明了 PSO-WLSSVM模型的有效性。3、在传统RVM模型的基础上,针对群智能优化算法容易陷入局部最优值的缺点,将PSO和差分进行算法(DE)进行结合,提出了 DEPSO优化算法,并应用到RVM模型上,建立了 DEPSO-RVM故障诊断模型,并应用到TE过程中,实验结果表明DEPSO-RVM具有更加优异的故障诊断能力,证明了 DEPSO算法和DEPSO-RVM模型的有效性。4、在传统KELM模型和混合蛙跳算法(SFLA)的基础上,针对SFLA容易陷入局部最优问题,对典型的SFLA算法进行改进,引入自适应变异,提出了MSFLA算法,并与KELM模型结合,建立了 MSFLA-KELM模型,实验结果表明MSFLA-KELM模型的诊断能力在SFLA-KELM模型上有了进一步的提高,证明了 MSFLA算法和MSFLA-KELM模型的有效性。