随着现代工业的发展,在线监视系统已经成为许多生产过程的基本组成部分.当系统发生异常时,故障诊断系统应该迅速的检测和隔离异常事件并分析导致异常动作的原因.由于安全和经济的原因,故障检测和诊断技术已经受到了来自工程领域和学术领域的广泛关注,并成为工业自动化的一个重要的领域.目前,过程监视和故障诊断系统在实际应用中仍然存在许多的困难,如故障诊断系统的鲁棒性、自适应性和综合诊断能力等,这些大大影响的故障检测和诊断理论在实际工业生产中的应用.该文研究了一类基于知识的过程监视和故障诊断方法.方法分为四步:第一步是知识表达,即数据预处理和建立由高斯混合模型所描述的观察序列.采用小波分析的方法对数据记录进行预处理,根据小波变换所具有的多尺度分解特征,在不损失数据重要信息的前提下去除信号中混杂的噪声.把滤波后的数据进行高斯混合,使过程数据按时间顺序形成高斯混合模型,获得建立隐马尔可夫模型(HMM)所需要的观察序列.第二步建立HMM,用系统不同状态所对应的高斯混合模型的集合,对HMM进行训练和参数重新估计,建立与之相匹配的HMM模型.第三步基于模式识别的过程监视.当获得新数据时,计算当前序列与特定模型相匹配的概率,并依据这些概率对过程进行监视,获得单个过程变量的状态信息.第四步将各个过程变量的各个不同状态的HMM作为D-S证据理论的基本概率分配函数进行数据融合,实现多变量过程监视,来获取系统全面、综合的信息.