在稀土生产过程中,萃取技术具有举足轻重的作用。萃取技术决定了企业生产效率的高低,同时也严重影响着产品的质量,而萃取设备的品质以及设备控制的自动化程度又制约着萃取生产线的运行效率,所以,改善萃取车间设备故障检测的自动化程度,对于提高萃取生产效率以及产品的品质,有较大的意义。现阶段在稀土萃取生产过程中,国内大部分企业对人力的依赖性比较大,车间的自动化程度很低,这在制约生产效率的同时也增加了生产成本。结合稀土生产行业的发展状况以及生产特点,本课题提出一种基于多信息融合的稀土萃取生产线故障特征检测方法,以提高稀土萃取生产线工作效率,主要的工作如下:首先,研究基于贝叶斯理论的二次判别分析的故障分类方法,在实际生产过程中,数据量比较大,故障信息比较复杂,先对数据进行基本分类,判断哪一种设备发生了故障。在贝叶斯算法的基础上进行改进,形成新的贝叶斯分类器,综合分析萃取装置中所检测的包含皮带和电动机信息的故障数据,将贝叶斯二次判别和正则二次判别相结合,重新构造贝叶斯分类模型,再通过K-L散度,减小了期望的误差,使分类效果更加优良,最终能够准确的检测故障类别属于皮带或者是电动机。其次,在贝叶斯二次分类的基础上,通过卷积神经网络具体检测出属于皮带或电动机的哪一种故障类型,例如皮带跑偏、皮带断裂、皮带松弛、或者电动机的过电压或欠电压。通过理论分析,对比专家系统方法,提出效果更优的卷积神经网络故障检测模型,故障信息通过输入层传递到隐含层,经过卷积、池化、以及激活函数的作用后,传递到输出层,完成一次正向传播训练,当误差较大时,通过反馈作用,逐层对比,完成反向传播,重新训练,直到输出正确的结果或者达到迭代的上限,中止输出。经过仿真分析,训练网络曲线能够很好的收敛,误差较小,最终形成性能良好的故障检测模型。最后,通过一组生产车间的数据,对贝叶斯二次分类算法和卷积神经网络的检测算法进行验证,能够比较准确高效地检测出实际的故障类型。