市场对产品性能的定量要求日益严格,这在客观上提出必须对产品的质量指标或某些重要的过程变量进行实时监视.而计算机测控和管理系统的广泛应用,工厂拥有了丰富的生产数据资源,使得过程监视任务的实现有了可能.过程监视的目的就是把数据资源的拥有优势转化为生产效益和产品质量优势.另一方面,为了使生产过程安全运行和操作优化能够成功地自动进行,有必要分析提取过程数据记录中隐含的定性和定量特征,以形成更有效的操作条件集合.这些因素导致了国内外近年来对过程监视包括故障检测和分离(FDI)研究的兴趣,建立了许多故障诊断方法并在工业生产中获得了一些成功应用.理论和实践表明,用多元统计方法检测故障的发生十分有效,主要问题是数据是否足够、是否可靠如噪音污染程度等的限制.对于复杂的过程,由于局部反馈控制和工艺内在耦合的存在,单一故障发生后传播或多个故障并存使得故障的分离诊断变得更加困难,因此需要利用更多的过程知识和建立多样性的综合分析方法.各类观测数据记录了过程状态变化的"现象",运行是否正常的"本质"则隐含或淹没在这些数据中.这种从数据症状中分析和判断过程当前所处状态的方法,直观上与建立隐含马尔可夫模型(HMM)相类似.HMM是一种有序数据的统计模型,已被广泛应用于机器学习和模式识别中,在过程监视方面也有应用报道,但研究还不够深入和完善.该文研究了一类基于知识的过程监视方法.方法由三步组成:首先是知识表达(数据预处理和符号化).采用小波分析方法对数据记录进行预处理,主要考虑小波变换所具有的数据多尺度分解特征,在不损失数据重要信息的前提下对过程数据压缩或滤波.然后把滤波后的数据进行模糊化,并进一步按三角形符号描述法的规则转换成对应的字符集表示.第二步是隐含马尔可夫模型建立,用系统不同状态所对应的不同符号集合,对HMM进行训练或参数重新估计,建立与之相匹配的HMM模型.第三步是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.该文设计了实现上述故障诊断任务的所有MATLAB软件,进一步结合CSTR和TE典型过程的扰动监视问题,通过仿真演示了基于HMM的故障诊断结果,并讨论了一些潜在的问题.