随着智能化的进程，相对于传统物理变量数据视频图像等异构数据也呈现出巨大的过程监测应用价值。因此，通过多元统计、机器学习等建模学习方法，依据一定数量的历史数据协同训练学习出运行稳定、性能优良的模型用于监测工业现场对保障工业系统的运行安全能够起到帮助。这使得基于数据驱动的故障诊断方法在大数据时代在安全预警方面有着光明的前景。
　　本文以氧化镁冶炼生产过程为背景进行故障检测和诊断研究。针对冶炼过程中采集的海量异构数据如何融合用于过程监测，提出了异构数据协同建模和利用海量数据半监督分类学习的故障检测和识别方法。本研究中做出了如下工作:
　　(1)通过在提取图像特征的过程中考虑物理变量数据的流形分布，建立异构化数据的协同特征回归模型保证样本数据反映的状态信息统一，进而使得物理变量和图像特征两部分信息可以在故障诊断中共享协同检测故障。然后，利用独立元分析(ICA)方法提取出视频图像特征中的非高斯特征信息，再将剩余的图像残差信息与物理变量样本融合利用主元分析(PCA)监测实现异构数据的信息共享协同建模。将所构建的基于协同特征回归信息共享的过程监测方法用于监测氧化镁冶炼生产过程的仿真实验中验证了改进方法的有效性。
　　(2)核独立元分析(KICA)方法对处理传统物理变量和提取图像数据的边缘分布特征时都很敏感，但是应用于已知状态比例较低的海量数据的检测准确度大大降低。针对多源异构数据具有海量的特征且标记数据花费巨大的特点，通过将半监督学习引进到核独立元分析中提出半监督核独立元分析的故障识别方法。此外，独立元分析方法可以去除变量间的强相关性转换到独立的子空间，这对提升分类算法的可分性和准确性提供了帮助。半监督KICA方法根据样本在各个类别的从属概率进行简要的故障诊断，再构建运行状态库实现精准的故障识别。最终，将提出的半监督KICA方法应用于氧化镁冶炼生产过程监测的仿真实验中，能够有效地提升识别冶炼运行状态的识别度和准确性。