电渣炉冶金是特殊钢的重要生产方式,其产品往往具有很高价值。一旦过程发生明显故障,则将会造成巨大经济损失甚至安全事故。本文针对电渣冶金过程数据存在的非线性、时间序列相关性和批次数据不等长等特点给故障诊断带来困难的问题,在电渣冶金过程数据特征提取中对动态核主元分析方法进行系统、深入的研究,基于连续隐马尔可夫模型进行过程故障检测和故障识别,提出一些新的过程监控和故障诊断方法,具体包括:(1)针对电渣冶金过程数据存在非线性、批次数据不等长等特点,使用DKPCA方法对过程数据进行特征提取,将原始数据转化成为连续过程数据,这样连续过程数据可以直接利用CHMM进行故障诊断。(2)提出一种基于CHMM和DKPCA的电渣冶金过程故障检测方法。首先使用DKPCA算法对电渣冶金过程数据进行特征提取的,再利用VMW技术对提取的主元特征序列进行动态数据追踪,并计算出一个在线故障检测的实时阈值,然后比较待测系统实时统计量与实时阈值的大小来判断系统是否发生故障,从而实现基于CHMM和DKPCA的电渣冶金过程实时在线故障检测。最后通过建立的电渣冶金过程仿真系统产生过程数据,对该方法进行仿真验证,表明了这种方法能对电渣冶金过程中出现的各种故障进行准确的检测。(3)提出一种基于CHMM和DKPCA的电渣冶金过程故障辨识方法。首先仍使用DKPCA算法对电渣冶金过程数据进行特征提取,再利用VMW技术对提取的主元特征序列进行动态数据追踪,并训练电渣冶金过程所有故障情况下的CHMM得到故障的模型库,然后计算出测试数据与各个故障模型的匹配程度,从而得出待测数据所发生的故障属于哪个类型。最后通过建立的仿真平台来产生数据,对基于CHMM和DKPCA结合的电渣冶金过程故障诊断方法进行了仿真验证,验证了算法的有效性。