铝电解是一个非线性、多耦合、时变和大时滞的工业过程体系，电场，磁场，热场等交互干扰，电解槽的工况极其复杂，故障种类众多，比如：阳极效应、冷槽、热槽和不稳定槽等。故障的发生，不但影响正常铝电解生产，而且造成巨大的经济损失，浪费大量的电能。所以，准确的故障预报技术对保证铝电解工业生产过程稳定运行具有重要的意义。　　国内外一些研究学者，针对铝电解故障诊断方面提出了一些故障诊断方法，如：采用槽电阻变化率、最小二乘辨识方法，以及近年来基于神经网络的故障诊断方法。但是，这些方法主要是针对阳极效应单一故障的诊断方法，能用于多故障的诊断方法很少。从目前来看，我国的铝电解过程基本上没达到实际应用。针对存在的问题，本文提出了粒子群优化的小波Elman神经网络铝电解故障诊断方法，对改善铝电解过程的工作环境，提高铝的产量和质量，节约能源具有重要意义，主要做了如下工作：　　(1)论述了国内外铝电解的发展状况、故障类型、故障发生的危害，阐述了进行有效故障诊断的必要性。　　(2)阐述了故障诊断技术的原理和常用方法，并且概述了国内外铝电解故障诊断的研究方法。　　(3)阐述了神经网络应用于故障诊断的必要性。论述了小波分析与神经网络的结合途径，同时指出了目前阳极效应故障预报方法存在的问题。　　(4)论述了基于主成分分析的数据预处理方法，该方法实现了降维和解耦，同时根据铝电解故障发生的机理，分别采用普通小波Elman神经网络和改进型小波Elman神经网络，建立多故障预报模型。　　(5)阐述了普通粒子群算法的基本原理及存在的缺陷，并提出改进的粒子群优化算法，然后采用改进的粒子群算法对小波Elman神经网络中的权值和小波函数中的伸缩因子、平移因子和权系数因子进行优化，结果表明：提高了故障预测的准确率，达到了更高的诊断效果。　　(6)分别对改进的Elman神经网络模型和BP神经网络、普通小波神经网络进行了仿真比较，仿真结果表明：改进的Elman神经网络具有较高的故障预测精度。然后对普通小波Elman神经网络和粒子群优化的小波Elman神经网络进行仿真验证，仿真结果表明：该模型训练时间短，动态特性好，逼近速度快，能有效的对铝电解故障进行早期预报，明显提高了铝电解故障诊断的准确率。　　(7)对铝电解过程故障诊断方法进行总结和进一步分析，并对未来工作进行了展望。