钢铁作为基础的原材料,是现代生活不可缺少的必需品,高炉炼铁作为大型炼铁系统中关键工序,其运行的稳定性决定了整个炼铁系统的运转效率和质量,因此快速准确地对高炉故障进行检测和识别对于高炉乃至整个炼铁系统稳定运行有着重要意义。高炉本身作为一个复杂的大型系统,其准确的机理模型难以建立。数据驱动的高炉故障诊断方法由于不需要准确的过程机理模型,而得到了广泛的使用。有别于高炉故障检测方法,有监督的高炉故障分类算法受到标签训练数据的限制,在有标签故障样本较少的情况下达不到想要的准确度。本文针对以上问题,研究的主要内容包括以下两个方面:1.针对有标签故障样本少而大部分无标签数据被忽略的问题,通过结合主动学习、半监督学习和数据扩充方法三个学习模块对无标注数据池的样本进行信息挖掘,其中,主动学习选取最具价值的样本进行专家打标,半监督学习通过将最具置信度的样本进行伪标记,最后通过GAN进行样本间数量的平衡,最终能够提升多分类器的性能。2.针对高炉故障小样本问题或者进一步的零样本问题,提出了一种基于故障描述和CGAN两阶段生成小样本故障数据的高炉故障识别方法,将专家经验数据化,人工生成虚拟故障样本作为训练数据,可以作为一种过采样的方法对极少样本的故障类型进行数据扩充从而提升对此类型故障的分类精度。另外,考虑到工业智能化算法APP定制开发困难,不易复用的问题,需要一种框架实现算法组件开发的流程化和共享复用。因此针对工业智能化算法的部署应用,在大型炼铁系统工业互联网架构的基础上提出了一种流程化算法部署的应用框架。包括了从数据库建设、算法的调用运行部署,前端展示等一整套步骤,在实地进行了部署应用,证明了框架的有效性。