随着自动化技术在钢铁、有色金属工业中得到越来越多的应用,人们对轧制过程的可靠性与安全性的要求越来越高,对产品的质量要求也越来越严格,因此,对轧制过程进行故障诊断已经成为冶金自动化领域最重要的研究方向之一。基于数据驱动的故障诊断方法,由于其不依赖数学模型以及能够从工业现场获得丰富的数据而更具实用性。这一方法要求收集在正常状态以及各种故障状态下的历史数据。其诊断应包括故障检测和故障识别两个步骤。本文将核方法引入到传统的主元分析与Fisher判别分析中,研究了基于核主元分析与核Fisher判别分析的故障诊断方法及其在轧制过程AGC系统典型故障中的应用。故障诊断共分两步。第一步是故障检测,本文采用基于主元分析与核主元分析的故障检测方法,通过T2统计量和SPE统计量来检测系统故障。第二步是故障识别,本文采用基于Fisher判别分析与核Fisher判别分析的故障识别方法,通过设计多值分类器进行故障识别。为降低分类器运行时的复杂性并提高其分类精度,需去除原始数据之间的相关性并对原始数据进行降维,本文采用KPCA方法对原始数据进行预处理。鉴于不同核参数的选取对核Fisher判别分类器性能影响较大,本文采用粒子群算法对核Fisher判别分类器的核参数进行优化处理,给出了以类可分测度为评价指标,基于粒子群算法的优化核Fisher判别分析方法。将其结合KPCA特征提取,通过仿真实验,可得其故障诊断准确率达到了90%以上,验证了该方法的有效性。