随着分布式控制和模型预测控制系统的进步和大量工业装置的更新,种类广泛、数量众多的传感器被用在对设备或系统的故障诊断当中。由于过程中产生的数据量非常大,想要从中提取出有用的信息变得非常复杂和困难。定性趋势分析方法是一种基于数据的工况识别方法。在定性趋势分析方法中,趋势提取和趋势匹配是其中重要的组成部分。该方法能从数据序列中获取潜在的信息,并对过程状态进行描述和识别,被广泛应用于故障诊断、过程状态监控等领域。然而,目前大多数基于定性趋势分析的方法以单变量的趋势特性来识别工况。面对复杂工业过程,单个变量的特征不足以描述过程状态,而多变量的特征能够准确地描述过程状态。因此本文对多变量的趋势特征展开了研究。本文以实现工况的识别为主要目标,进行了基于多变量趋势分析的工况识别方法研究,获得了如下工作成果:1、通过研究发现,基于滑动窗口的方法在提取变量趋势时,会存在分割点不准确,提取效率慢的问题。在定义了7种基元的基础上,本文针对原来方法中的固定窗口和固定阈值进行改进,采用了最小二乘法拟合,并加入动态阈值和动态初始窗口,提出一种基于动态阈值和滑动窗口的趋势提取方法,准确地提取了变量的趋势特征。2、引入了模糊逻辑和知识库来实现趋势与过程状态的匹配,提出一种基于模糊逻辑的趋势匹配方法。方法采用知识库和产生式规则将多个变量的趋势与工况相对应,并计算了趋势对应各类工况的置信度。在提出的趋势提取方法和趋势匹配方法的基础上,提出了一种多变量趋势分析方法。3、在对泡沫浮选工况识别的研究中,针对使用OTSU方法分割浮选泡沫图像提取尺寸信息中,存在对小型泡沫欠分割以及分割效率低下的问题,提出了一种新的泡沫图像分割方法——基于像素分布特征的快速泡沫图像分割方法,并将该方法应用到了浮选工况的泡沫特征提取中。4、针对泡沫浮选工况难以识别,以及只依靠泡沫图像特征不能有效地识别泡沫浮选工况的问题。通过研究发现,矿浆流量的变化趋势也影响着浮选工况的变动。故本文同时选取了矿浆流量变量趋势和泡沫尺寸趋势进行研究,并研究了基于多变量趋势分析的泡沫浮选工况识别方法。依据泡沫浮选工况的特性将泡沫浮选工况分为了优、中、差三类工况,建立了浮选工况知识库,并提出了一种基于多变量趋势分析的浮选工况识别方法,能够准确地识别了各类工况。