稀土萃取生产线由分离系统、搅拌系统等多种系统集合而成,其中搅拌系统由进料电机、搅拌电机、皮带、搅拌轴等组成,作用是将稀土元素从水相迁移至有机相,是整个稀土萃取生产流程的关键环节。影响搅拌效果的因素有很多,例如电机故障（转速异常、电压电流异常）、皮带打滑、搅拌轴故障（内部断裂、外轴内轴故障）等,直接影响产品质量,甚至产生废、次品。因此及时识别和定位故障是维持萃取系统正常工作的重要保障,但是当前主要通过监控系统进行故障判断,不仅只能实现事后报警,还存在漏报、误报,影响产品质量提升,需要研究适当的方法根据系统运行参数进行故障预警与故障诊断,尽量在故障发生初期及时发现、定位,提出有效的应对策略。针对上述问题,提出了基于时频分析与机器学习相结合的稀土萃取生产线搅拌系统的故障诊断方法,具体内容如下:（1）针对现有稀土萃取生产线搅拌系统工况复杂多变的特点,提出了一种多元Stacking集成学习方法与数理统计结合的早期故障预警方法。首先利用改进的灰色关联分析筛选出与稀土萃取搅拌系统电机运行温度高度相关的状态变量,并输入到Stacking融合算法中拟合电机的运行温度,将实际温度与拟合温度进行残差值求解,使用概率分布拟合的方法设置报警阈值,实现稀土萃取搅拌系统的早期故障预警。（2）针对搅拌系统的搅拌轴断裂、叶轮断裂等常见典型故障,提出了基于时频特征分类的故障诊断方法,首先介绍了非线性信号的时间-频率分析方法,阐述了小波变换和短时傅里叶变换的原理,将信号处理后的二维时频图分别输入到Lenet、Alexnet、Googlenet三种卷积神经网络进行分类,以验证集的准确率和损失函数下降速率作为分类效果的评价标准。经多次对比实验分析,表明Alexnet与小波变换结合的方法在分类准确率、收敛速度等各方面都更优。（3）针对搅拌系统中发生频率较低、数据量不充足,但故障后果严重的情况例如轴承和定、转子等故障,提出了一种基于深度迁移模型的小样本故障诊断方法。针对Alexnet网络泛化能力弱的问题,通过增加权值归一化层与激活函数优化,增强其识别准确率;基于迁移学习理论,使用模型迁移的方式将所学的知识迁移到目标域,稳定目标域识别准确率的同时减少训练与参数寻优时间。实验表明所提出的方法可以有效提升小样本下故障识别准确率。