随着科技水平和工业化程度的不断提升,工业过程中的状态监控和故障检测也日趋复杂。这些复杂性主要表现在:多变量、非线性、强耦合等。此外,由于人们需求的日益多样化,这对单一的工业过程模态提出了挑战。于是,对于多模态工业过程领域的故障诊断技术的研究应运而生。这里的多模态是指由于操作条件、外界环境、过程本身固有因素或者特定需求的变化导致产生新的运行模态,使工业生产过程具有了多个稳定工况。多模态工业过程越复杂,其发生故障时造成的经济损失和人员伤亡往往也就越大,后果也就越严重。因此对整个多模态过程进行准确、有效的故障诊断显得尤为必要。本文在单模态TE过程的基础上提出以多模态TE过程为研究对象,展开对面向多模态过程故障诊断方法的研究。同时提出了一种面向多模态TE过程的集合型故障诊断方法,即GFCM-VMD-ICA-KPCA诊断方法,对多模态过程的故障进行了有效的检测和分离。同时,为解决多模态TE过程的大数据量故障诊断,本文又提出了一种基于大数据Hadoop平台以并行计算、分布式处理技术来进行故障诊断和分析的方法。本文提出了面向多模态TE过程的GFCM-VMD-ICA-KPCA集合型故障诊断方法。首先采用全局模糊C均值聚类算法(GFCM)对多模态数据进行聚类分析,以区分样本数据所属的工业模态。同时应用变分模态分解法(VMD)对数据进行预处理,滤除样本数据中的噪声。然后通过独立主元分析(ICA)算法提取主元变量,以降低核主成分分析法(KPCA)对于变量的分析维度,提高诊断效率。最后,利用KPCA的2T、SPE控制图和各变量贡献率图来输出对多模态TE过程的状态监控和故障诊断结果。并且引入一个数值仿真实例来验证该方法的有效性和准确性。本文针对多模态TE过程在海量数据情况下故障诊断算法效率大大降低的弊端,提出应用大数据Hadoop平台进行数据分析、故障诊断的方法。首先在原始样本数据进行模态聚类之后进行数据预处理,根据数值波动范围转化为相关标识字符文件,并通过FTP工具上传入大数据分布式文件系统(HDFS)。然后在MapReduce并行计算框架下编写字符检测程序进行数据分析和故障诊断。最后通过RStudio分析平台对输出相关的故障变量进行可视化展示,以达到故障检测与诊断的目的。为了验证所提的两种方法的有效性,进行了多模态TE过程的实验仿真。首先,将多模态TE过程的GFCM-VMD-ICA-KPCA集合型故障诊断方法与传统方法KPCA方法相比较,验证该方法的有效性和准确性。其次,将基于大数据Hadoop平台的故障检测方法付诸实验,验证该方法的有效性。实验仿真结果表明本文所提出的GFCM-VMD-ICA-KPCA集合型故障诊断方法和基于大数据Hadoop平台的故障数据诊断方法能够有效检测出故障,准确性和快速性优于传统方法。