化工行业的生产具有高度的连续性,因此确保生产过程的稳定性和可靠性变得十分重要。随着现代计算机监控系统的大量应用,化工企业积累了大量的生产过程中的过程变量和控制变量数据,这些数据中含有大量的生产信息。如何充分利用这些数据进行化工过程的故障诊断成为当前的一个研究热点。本文从知识表达系统约简、针对连续属性采用模糊粗糙集约简和粗糙集与神经网络相结合等三个方面对田纳西-依斯曼(TEP)过程故障数据进行了研究,从而建立了一种基于粗糙集理论的多层神经网络故障诊断系统模型。首先深入研究了利用粗糙集(Rough Set,简称RS)理论实现数据约简的方法。在分析和研究了基于核的约简方法的优点和缺点的同时,利用蚁群算法正反馈和分布式计算的特点,提出了一种新的基于蚁群算法的粗糙集知识约简方法,仿真计算结果显示了该方法的快速有效性。其次,针对粗糙集理论知识约简不能处理连续属性的固有缺陷,提出了模糊粗糙集模型,从而绕开了连续属性离散化过程,在约简过程中有效地利用了连续属性模糊化后的隶属度信息,提高了知识表达系统的信息利用率,取得了较好的约简效果。再次,在全面介绍粗糙集与神经网络相结合的研究现状的同时,根据粗糙集理论与神经网络各自的特点,提出了一种强耦合粗糙神经网络结构模式。利用粗糙集理论进行规则提取后,将规则结果融入神经网络中,从而构造了一种强耦合多层模糊粗糙神经网络。最后,针对TEP过程的特点,采用基于模糊粗糙集理论的多层人工神经网络故障诊断系统对TEP过程进行故障诊断,充分发挥了粗糙集和神经网络各自的优势,简化了神经网络的结构,提高了故障诊断的速度,取得了良好的故障诊断效果。