近年来,随着计算机科学的发展和人工智能技术的日益成熟,数据融合技术越发受到科研人员的重视。而在工业控制方面,传统的非参数模型法由于模型自身的缺陷,以及实际工业系统的复杂性,可能出现的故障的多样性,往往并不能够及时的对各种故障做出反应。 本文在多传感器数据融合技术的基础上,将数据融合技术引入到系统状态监测与故障预报领域,并结合非参数模型监测的方法,提出了多模型融合的概念,充分利用各个模型之间的冗余,以提高对复杂系统进行故障预报的可靠性。 本文介绍了数据融合技术的起源、发展、应用背景和常用的融合算法,重点阐述了运用贝叶斯算法和自适应加权算法实现多模型故障预报的方法。为了验证多模型系统监测与故障预报的可行性,作者针对石油化工工业的流化催化裂化装置(FCCU)和一套工业过程控制实验设备(Feedback 34-250)建立了多模型监测系统,分别运用了多元统计学中的主元分析(PCA)模型和偏最小二乘(PLS)模型以及神经网络领域的 BP 模型和 Elman 模型对系统进行监测,并针对各个模型的不一致预报结果进行决策融合。实验结果证明采用数据融合算法实现多模型监测比之单一模型监测更加可靠、准确。 同时,本文介绍了几种涉及到的非参数模型监测方法,包括多元统计法(MSPC)和神经网络,并重点描述了如何利用神经网络理论来建立模型来实现系统的状态监测与故障预报。