随着科技水平的迅猛发展,工业生产日趋复杂化,对复杂工业过程的可靠性、安全性以及故障诊断的准确性的要求也日益提高。因此,对工业生产的过程监控以及故障诊断技术成为近年学者们重点研究的课题。目前,复杂工业的生产过程大多是多模态工业生产过程,即因自身固有特性、外界环境条件和生产方案多变等原因而产生多个稳定工况的复杂工业过程。它与单模态过程相比工艺更为复杂,其数据常表现出多变量、非线性、动态、时变等诸多特性。这类复杂的多模态工业过程工作时一旦发生故障,不仅影响产品质量和等级,甚至对操作人员及财产造成不可预估的损失。因此,对多模态过程实施故障诊断技术是保证现代工业安全的重要手段,也是当下热点研究的课题之一。本文的研究内容主要是基于全局模型的建模方式,对集合型多模态过程在线故障诊断方法展开研究的。本文将多模态过程在线故障诊断方法分为在线数据预处理、在线故障检测以及在线故障分类三个环节进行分别研究,并提出了基于VMD-LLE-ICAMM-NBC的集合型在线故障诊断方法。其中,在线数据预处理环节选用变分模态分解算法(VMD)进行去噪处理,并与传统的基于经验模态分解算法(EMD)的去噪方法做了详细的比较分析;在线故障检测环节则提出了一种基于改进的ICA混合模型(ICAMM)的更快速的多模态过程在线故障检测方法。采用局部线性嵌入算法(LLE),在保持数据几何结构不变的条件下降低数据的维度继而减少研究对象变量的个数,再结合独立主元分析(ICA)进行二次特征提取后,利用贝叶斯推理(BI)构建适用于混合模态数据实施在线故障检测的全局模型;在线故障分类环节,本文提出一种基于LLE算法的朴素贝叶斯分类器(Naive Bayes classifier,NBC)进行故障分类。最后,建立多模态过程仿真实验平台验证该集合型算法的有效性以及通过对比实验来验证本文在故障检测环节提出的改进算法表现出的快速性。