在实际工业生产过程中,保持系统稳定高效的运行是安全、准时地完成生产任务的基础,而这离不开对工业过程系统的状态检测和故障诊断。故障分类技术可以确定故障类别,有利于定位故障,是故障诊断过程极为重要的一步。但随着现代工业过程系统功能的多样化和结构的复杂化,工业过程的故障分类面临着越来越大的困难,仅靠单一方法难以完成日益复杂的工业过程的故障分类任务。这对于及时完成故障诊断以确保系统安全稳定的运行有着极为不利的影响。为了解决这一问题,本文通过使用混合方法对故障进行分类识别。主要研究内容如下:(1)提出一种基于混合特征生成的快速K近邻故障分类方法。首先,针对样本质量差会导致K近邻分类器分类准确率过低的情况,提出一种结合Relief F算法和线性判别分析算法的混合特征生成方法,以对样本进行预处理并提高样本质量;然后,针对K近邻分类器分类过程计算开销大的缺点,采用K-medoids聚类算法减少训练样本数量,以降低K近邻分类器分类过程的计算开销。该方法一方面保障了K近邻分类器的分类准确率,另一方面提高了其分类效率。(2)提出一种基于分类器有效性的改进投票法。尽管(1)中的混合故障分类方法相比单一K近邻方法可以提供更高的分类准确率,但只使用一种分类器依然无法处理所有类型的过程故障的分类问题。鉴于此,提出使用混合方法中的多分类器系统完成分类任务。为提高多分类器系统的效果,提出了一种改进投票法以对基分类器的分类结果进行更加有效的集成。所提方法首先给出分类器有效性的概念,然后据此来突出或抑制不同的基分类器对投票结果的影响。经仿真验证,所提改进投票法的集成效果优于原多数投票法。(3)提出一种基于组合权重的改进投票法。考虑到不同情况、不同性能评价指标下多分类器系统中基分类器的性能有所不同,因此使用多个性能评价指标来衡量基分类器的性能,并确定基分类器的投票权重。为避免仅仅使用主观权重或者客观权重可能产生的偏差,提出一种组合权重确定方法。经过仿真验证,所提改进投票法可以对基分类器的分类结果有效集成,使得多分类器系统的效果进一步提高。