结晶器稳定、高效的运行是连铸生产的关键环节。对结晶器的运行状态进行检测的研究由来已久，但随连铸高拉速的发展趋势，铸坯表面质量缺陷以及漏钢等异常的发生一直未得到很好的解决。关于结晶器的检测与相应的异常信息提取方法还需进一步的研究。在此背景下，本文采用主元分析(PCA)方法和神经网络(NN)对结晶器摩擦力数据进行分析，探讨合适的结晶器异常信息提取方法。 采用PCA方法和改进PCA方法对结晶器异常信息进行提取，详细阐述了主元分析方法的原理及其建模步骤。基于宝钢2#板坯连铸结晶器摩擦力实测数据，建立PCA模型，计算获得T~2统计量和Q统计量，并生成对应的控制图：T~2图和Q图。基于建立的PCA模型对大量的异常数据进行仿真，利用T~2图和Q图进行故障检测，结合实测的结晶器摩擦力及其均方根图进行分析。结果表明：PCA模型能够对多数异常做出反映，验证了PCA方法应用于结晶器过程检测是可行的。在Q图未检测到故障而T~2图检测到故障时，利用改进PCA方法的主元显著相关变量(PVR)统计量图对工况做进一步诊断。异常数据分析表明，改进的PCA能够区分异常和工况改变引起的T~2统计量的变化，较传统PCA有更强的故障诊断能力。 运用NN和PCA相结合的方法对结晶器过程进行异常检测，首先对实测数据做PCA预处理，获取的主元作为BP网络的输入；再利用BP网络消除各主元间的非线性和动态性，建立表征正常工况特征的NN模型。将实测的数据与NN模型相比较，实测值与输出值之间的差值矩阵用PCA方法评估，并建立简单的控制图。基于NN-PCA模型对现场实测的摩擦力数据离线分析，对应生产现场的异常记录，仿真结果表明，耦合NN和PCA的方法较PCA方法对异常反应更加明显，并且有更强的过程工况诊断能力，表明该方法在结晶器异常信息提取方面具有明显的应用潜力。