故障诊断,特别是多模态过程故障诊断,是保证现代工业安全的重要手段,在环境监测、化工、电气、机械、石油、热工、制造、航空、航天等多个工业领域应用广泛,因此具有重大的理论和应用研究价值。随着工业生产规模的不断扩大,产生了大量的数据。传统的故障诊断平台对这些GB甚至TB级别的数据不管是在存储还是在故障诊断方面都遇到了技术瓶颈,传统的故障诊断算法对大量数据的处理也存在机器崩溃卡死,算法效率低,运行耗时长等问题。一旦这些复杂多模态过程发生故障,便会造成巨大的经济损失和人员伤亡。针对这些问题,本文的研究重点是设计并搭建了基于Hadoop的大数据多模态故障诊断实验平台,同时提出了一种并行的多模态故障诊断方法并在Hadoop平台上实现。使得对大量数据的故障诊断成为现实,并得到比较好的实验效果。首先,本文研究了Hadoop大数据平台的技术路线,深入研究了基于Hadoop的多模态故障诊断关键技术,设计并搭建了基于Hadoop的故障诊断平台。其次,本文提供了TE过程各模态相互转化的方法,并实现了仿真数据体量向GB级别的扩充。然后,以多模态TE过程为研究对象,展开对多模态故障诊断方法的研究。由于传统的故障诊断算法对大量数据处理能力有限,本文提出了一种面向多模态TE过程的并行故障诊断方法,即parallel Kmeans-KPCA-naiveBayes故障诊断方法。本方法基于Hadoop平台的分布式存储系统(HDFS)和并行计算(MapReduce)对大量数据进行有效的故障诊断和分析。面向TE过程的parallel Kmeans-KPCA-naiveBayes故障诊断方法的确立过程如下:首先,本文对主流的5种聚类算法在聚类时间和聚类精度两个方面做了对比研究,确定了Kmeans算法的优越性。其次,对Kmeans在Matlab和Hadoop平台上的聚类效果做了对比研究,进而明确了对于大量数据Hadoop的分布式存储和并行计算的优势。然后,利用核主成分分析(KPCA)实现特征提取,为后续基于贝叶斯的故障诊断算法做准备,确立可行的并行故障诊断方法。最后,基于R对实验结果做了可视化呈现,以达到故障检测与诊断的目的。