随着现代流程工业过程向大型化、系统化、智能化的方向发展，设备的品质保障与稳定运行成为设备制造企业未来发展和适应全球化竞争的发展方向，设备运行维护与故障诊断模式的研究及应用将大大提升设备的运行稳定性。而工况运行产生大量非线性和非高斯性的数据，因此，采用传统的经典数学推导模型、过程机理分析等故障诊断方法具有一定的局限性，容易造成准确率降低和误报、漏报，已无法满足现场工况需求。同时，计算机、人工智能、仪器仪表技术的飞速发展和信息管理系统在工况中的广泛应用，生产过程产生和存储了大量的运行数据，产生了“数据丰富而信息匮乏”的现象。如何挖掘这些存储的数据并采用智能方法对设备的故障进行诊断，已经成为流程工业大型机械设备保障运行稳定性和优化控制的研究难点，因此，本文将此问题作为研究的重点。　　基于数据驱动的大型工业机械设备故障检测、诊断、预测已成为国内外研究的难点和热点。研究以实际工况产生的数据为基础，采用数据挖掘的方法对数据进行筛选、清洗、降维和分类，再通过诊断模型算法对故障进行诊断，最后对诊断结果进行评价，为决策和优化控制提供依据，达到提高产品品质、保证安全生产运行、减少经济损失的目的。　　本文选取流程工业典型代表矿山磨选系统为研究对象，以矿山核心机械设备——球磨机作为研究案例开展研究。首先对球磨机现场采集运行数据进行定义，针对机械设备特性和数据特点提出基于加权随机投影树的t-SNE降维方法，在降维处理后对故障原因及表征进行分类，提出此高维数据样本为严重的不均衡分类情况，为故障诊断算法的选取提供依据。在此基础上，将研究的内容分为高维小数据样本事件、高维大数据样本事件和故障诊断预测性事件。　　针对球磨机阶段运行小样本事件，即球磨机未在全工况运行时（调试期、试车期、检修期、半投产短时运行阶段）产生数据为小数据样本，提出基于局部权重角度离群算法的球磨机故障诊断方法，采用角度离群算法(ABOD)在高维空间中计算离群度，针对算法高时间复杂度问题，采用FastVOA算法将数据集正交投影于随机超平面上为频矩参数，降低算法的时间复杂度。提出LW-FastVOA算法增加局部权重，降低算法对多聚簇间离群点遗漏率，提高算法诊断准确率。　　针对球磨机连续运行大样本事件，即球磨机在全工况运行时（全负荷投产运行阶段）产生数据为大数据样本。提出基于DropOut降噪自编码算法的球磨机故障诊断。首先提出采用传统BP神经网络建立故障诊断模型，针对BP神经网络高维输入特征向量辨识能力差的问题，结合Autoencoder网络和Softmax分类器，对构建好的新网络进行训练实现故障预测。由于原始的自动编码器抗干扰性能力较弱，泛化能力不强，并且有一定过拟合的缺陷，提出基于DropOut降噪自编码方法，在特定的工况情况下，诊断的结果明显改善。　　针对球磨机时序相关性故障预测事件，即球磨机运行过程中，在数据的采集间隔固定的情况下，故障诊断问题就转变成了时间序列预测问题，对故障诊断的过程就带有了预测性。提出采用基于GRU可控门算法的球磨机故障诊断方法，首先根据时间序列预测的特点，提出采用RNN循环神经网络方法，解决故障诊断时间预测问题，因RNN网络反向传播存在梯度弥散问题，提出采用RNN-LSTM长短记忆循环网络方法，LSTM通过控制回传的残差解决指数下降问题，提高网络优化效率。最后提出采用GRU可控门算法优化了可控门结构解决了以上问题。实验结果表明，在评价指标进一步优化的情况下，故障诊断具有了预测性。　　最后，提出了球磨机故障诊断实验平台的构建与实现过程。首先构建球磨机故障诊断实验平台体系架构的硬件平台，然后对球磨机故障诊断实验平台的软件平台，给出关键开发界面和核心代码，最后给出基于搭建的硬件平台上实现基于数据驱动的球磨机故障诊断系统的方法和现场应用效果。