在轧钢过程中,有效的故障诊断和质量预报是保证生产安全、提高产品质量和增加经济效益的关键。然而对于复杂的轧钢过程来说,准确的数学解析模型往往很难得到,这在一定程度上限制了基于数学解析模型的故障诊断和质量预报方法的深入研究和应用。考虑到轧钢过程结构复杂、数据量大,并且过程变量数据具有非线性、动态性和非高斯分布等特点,本文基于多元统计分析理论,研究了适用于轧钢过程的故障诊断和质量预报方法。该方法是一种基于数据驱动的方法,它不依赖数学模型,通过对测量数据进行分析和解释,提取过程信息特征,判断过程的运行状态,从而诊断过程中发生的故障,并预报产品的质量。本文从实际出发,全面考虑多元统计方法在轧钢过程应用时需要解决的问题,针对轧钢过程特性,提出一套适用于轧钢过程的故障诊断和质量预报方法。本文的主要工作和贡献有以下几个方面：(1)提出了一种基于马氏距离相对变换偏最小二乘的轧钢过程状态监测方法。通过引入相对变换理论,计算采样数据之间的马氏距离,将原始空间数据变换到相对空间；然后在相对空间进行偏最小二乘分解,提取有代表性的潜变量,建立状态监测模型,从而实现采样数据的在线监测。理论分析和仿真实验均表明,基于马氏距离相对变换偏最小二乘的状态监测方法能有效地消除量纲的影响,有效地降低潜变量的数目,提取更具代表性的隐变量,增加状态监测的准确率和实时性。(2)考虑到轧钢过程的动态、非线性以及非高斯分布特性,提出了一种基于改进动态核主元分析结合独立元分析的状态监测和故障分离方法。首先构造增广矩阵,并将增广矩阵分成一系列子矩阵,其次对每个子矩阵进行核主元分析,提取非线性互相关特征主元,然后将各子矩阵的特征主元重新构建一个新的数据增广矩阵,最后建立独立元统计模型,提取非高斯自相关独立元,从而有效地实现轧钢过程的状态监测。在此基础上,利用非线性独立元构造贡献图进行故障分离,它保持了贡献图法简单易行的优点,同时提高了故障分离的精度。(3)提出了一种基于优化策略的核费舍尔判别分析的轧钢过程状态监测和故障识别方法。该方法采用改进生物地理学优化算法同时优化核函数参数和选取特征样本,得到最优核参数和特征样本,然后将得到的最优核参数和特征样本进行核费舍尔判别分析统计建模,实现状态监测和故障识别,从而提高核矩阵的计算效率、在线监测和识别的精率。(4)提出了一种基于非线性特征提取和回归的故障诊断和质量预报方法。该方法首先用核偏最小二乘提取过程数据的非线性特征,并建立核偏最小二乘的内部回归模型；然后根据提取的非线性特征,求出满足最大分离度的费舍尔特征向量,建立费舍尔统计模型,对采样数据进行状态监测。若轧钢过程状态正常,根据核偏最小二乘回归模型预报产品的质量；否则利用相似度系数确定故障类型。在研究过程中,充分利用轧钢过程现场实际数据对论文中提出的各种故障诊断和质量预报方法进行了大量的实验研究,通过实验验证了本文所提出方法的可行性和有效性。