离心压缩机是压缩和输送气体的关键设备,广泛应用于冶金、石油、化工等工业领域,在工业生产中占有重要地位。离心压缩机有很多优点,但也存在一些自身难以消除的缺点,例如稳定工况区较窄、容易发生喘振等。喘振是离心压缩机的固有特性,喘振会对压缩机造成损害,甚至会危及到生产安全。为确保离心压缩机安全、高效的运行,有必要对压缩机的性能进行研究,其中,建立精确的压缩机模型是一个重要方法,对性能研究有着重要的意义。本文以宝钢集团的燃气—蒸汽联合循环发电机组煤气系统中的离心压缩机为研究对象,针对其过程机理复杂、多变量、非线性、机理分析建模难度大等问题,基于数据驱动建模的思想,采用径向基(RBF)神经网络技术建立离心压缩机数据模型。运用RBF神经网络成功与否很大程度上依赖于网络模型结构的选择,而径向基函数中心的选择更是影响整个模型效果的关键之处。为解决RBF神经网络中心点难以选定的问题,深入分析了偏最小二乘(PLS)和模糊c-均值(FCM)这两种求取网络中心的方法,引入协同进化思想与FCM相结合构成协同聚类法,在此基础上提出了协同聚类与PLS剪枝的两阶段求取中心法。该方法先采用协同聚类训练一个网络中心数目有较大冗余的初始RBF网络,再利用RBF网络隐含层输出矩阵信息,用PLS法一次性地剪去作用较弱的节点,生成最优规模的数学模型。通过工艺过程及离心压缩机工作机理的分析,选定影响离心压缩机的关键变量,利用现场的过程数据,建立了的离心压缩机数据模型。仿真结果表明：协同聚类与PLS剪枝的两阶段学习法是有效的中心选择法；建立的离心压缩机模型准确可靠、精度高,对离心压缩机的性能研究有重要作用。