氧化槽是生物氧化提金的重要设备。然而长期在新疆运行的氧化槽,受高海拔和极端天气的影响,部分传感器和执行器不可避免的会发生故障导致槽内温度急剧变化,参与氧化反应的微生物为此失活甚至死亡,不仅影响提金率而且还会造成巨大的经济损失,因此对工作在极端天气下的氧化槽进行故障诊断是有必要的。通过现场调研,收集到了氧化槽在平稳运行和故障状态下的各项生产数据,结合氧化槽实验设备,展开基于多元数据下的氧化槽综合故障诊断技术的研究。本文的研究内容如下:1)为了实现确定故障类型和故障特征这一目标,首先对氧化槽内部结构进行热力学分析,梳理出在新疆冬季常见的几种故障类型和测量指标。由于测量指标较多且两两之间存在线性、非线性关系,因此引入最大信息系数改进主成分分析算法（Maximum Information Coefficient-Principal Component Analysis,MIC-PCA）对相关变量进行降维,分别将变量之间的复杂关系进行转换,使新得到的主成分相互独立,最后通过计算贡献率提取故障特征,为后期数据分析的工作打好基础。2)为了实现选用合适的算法为氧化槽进行故障诊断这一目标,利用最大期望算法（Expectation Maximization,EM）对每组生产数据进行故障分类,假设样本数据分布符合高斯混合模型,通过K均值算法初始化模型参数,迭代更新模型参数直到满足最大迭代次数,由于特征量的特征值都是独立的,得到的模型参数对分类准确率有影响,还要利用朴素贝叶斯分类器算法构造特征值在某故障类型上的概率密度函数,计算出更准确的分类结果。本文将朴素贝叶斯分类器和K均值算法用于改进传统EM算法以弥补传统EM算法中的无关模型参数降低分类准确率和收敛速度慢的缺陷,同时克服了单一朴素贝叶斯分类器算法需要大量数据进行训练才能建立精准模型的问题。为后期氧化槽故障诊断实验的提供了理论框架。3)为了验证本文所采用算法的先进性和优越性,利用西门子实验室的氧化槽模拟设备进行热交换实验。结合生产现场筛选出合适的运行数据作为特征量,再对样本数据进行数学建模,选取部分数据进行测试得到分类结果。通过多次试验得出,用朴素贝叶斯分类器算法与K均值算法分别改进EM算法,不仅能够建立精准的故障诊断模型,而且分类准确率也比目前对氧化槽的故障诊断技术准确率高。此研究结果为高寒地区的氧化槽故障诊断提供了新方向和新思路。