磨矿分级过程是选矿工业生产中的关键环节,磨矿分级过程的运行状态直接影响选矿生产产量、能耗及精矿回收率等重要生产指标,因此,磨矿分级过程的故障监测备受关注。但是,由于磨矿分级生产过程的复杂性和不确定性,传统的过程监测方法遇到困难。对此,本文在分析研究现有过程监测方法的基础上,结合现代选厂磨矿分级过程已普遍采用计算机与仪表技术的实际情况,充分利用磨矿分级过程大量的运行数据和专家知识,展开基于半监督学习的磨矿分级过程故障监测方法的研究,主要研究内容包括:(1)研究数据驱动过程监测方法的研究现状和发展趋势,着重分析机器学习类过程监测方法的基本原理和主要问题。(2)针对基于局部全局一致性的直推式半监督学习方法不适合在线监测,实时性差的问题,本文通过引入线性映射函数,提出了一种归纳式的基于局部全局一致性的过程监测方法。该方法利用少量的标记数据与大量的无标记数据,通过半监督学习得到过程监测模型。该方法不但可以准确识别故障,还可以直接判断具体故障类型。(3)针对磨矿分级过程运行中可能出现未知故障的问题,研究了一种新的基于半监督学习的过程监测方法。该方法采用了独特的状态标记矩阵,结合优化计算分析,可以同步实现对典型故障和未知故障的准确识别。(4)在半监督学习中,标签对学习有着指导的作用,一旦出现错误将会使半监督学习退化。针对标签噪声问题,本文在上述方法的基础上,通过改进拟合项的约束作用,使新方法对标签中的噪声具有一定的容错能力。(5)通过对磨矿分级过程实际运行数据的仿真实验,证明了上述方法在识别未知故障与处理标签噪声问题上的有效性和实用性。