1、隨著科技水平和工業(yè)化程度的不斷提升，工業(yè)過程中的狀態(tài)監(jiān)控和故障檢測也日趨復雜。這些復雜性主要表現在：多變量、非線性、強耦合等。此外，由于人們需求的日益多樣化，這對單一的工業(yè)過程模態(tài)提出了挑戰(zhàn)。于是，對于多模態(tài)工業(yè)過程領域的故障診斷技術的研究應運而生。這里的多模態(tài)是指由于操作條件、外界環(huán)境、過程本身固有因素或者特定需求的變化導致產生新的運行模態(tài)，使工業(yè)生產過程具有了多個穩(wěn)定工況。多模態(tài)工業(yè)過程越復雜，其發(fā)生故障時造成的經濟損失和人員傷亡往

2、往也就越大，后果也就越嚴重。因此對整個多模態(tài)過程進行準確、有效的故障診斷顯得尤為必要。
　　本文在單模態(tài)TE過程的基礎上提出以多模態(tài)TE過程為研究對象，展開對面向多模態(tài)過程故障診斷方法的研究。同時提出了一種面向多模態(tài)TE過程的集合型故障診斷方法，即 GFCM-VMD-ICA-KPCA診斷方法，對多模態(tài)過程的故障進行了有效的檢測和分離。同時，為解決多模態(tài)TE過程的大數據量故障診斷，本文又提出了一種基于大數據Hadoop平臺以并行計算

3、、分布式處理技術來進行故障診斷和分析的方法。
　　本文提出了面向多模態(tài)TE過程的GFCM-VMD-ICA-KPCA集合型故障診斷方法。首先采用全局模糊C均值聚類算法(GFCM)對多模態(tài)數據進行聚類分析，以區(qū)分樣本數據所屬的工業(yè)模態(tài)。同時應用變分模態(tài)分解法(VMD)對數據進行預處理，濾除樣本數據中的噪聲。然后通過獨立主元分析(ICA)算法提取主元變量，以降低核主成分分析法(KPCA)對于變量的分析維度，提高診斷效率。最后，利用KPC

4、A的T2、SPE控制圖和各變量貢獻率圖來輸出對多模態(tài) TE過程的狀態(tài)監(jiān)控和故障診斷結果。并且引入一個數值仿真實例來驗證該方法的有效性和準確性。
　　本文針對多模態(tài) TE過程在海量數據情況下故障診斷算法效率大大降低的弊端，提出應用大數據Hadoop平臺進行數據分析、故障診斷的方法。首先在原始樣本數據進行模態(tài)聚類之后進行數據預處理，根據數值波動范圍轉化為相關標識字符文件，并通過 FTP工具上傳入大數據分布式文件系統(tǒng)(HDFS)。然后在

5、MapReduce并行計算框架下編寫字符檢測程序進行數據分析和故障診斷。最后通過RStudio分析平臺對輸出相關的故障變量進行可視化展示，以達到故障檢測與診斷的目的。
　　為了驗證所提的兩種方法的有效性，進行了多模態(tài)TE過程的實驗仿真。首先，將多模態(tài) TE過程的 GFCM-VMD-ICA-KPCA集合型故障診斷方法與傳統(tǒng)方法KPCA方法相比較，驗證該方法的有效性和準確性。其次，將基于大數據Hadoop平臺的故障檢測方法付諸實驗，驗