湿法冶金过程是应用液体溶剂将矿石中的金属通过浸出、固液分离和置换等步骤提取出来的过程。浓密机是湿法冶金过程中进行固液分离作用的主要设备,使用浓密机实现固液分离的过程称之为“浓密洗涤”。在实际生产过程中,浓密机运行的环境恶劣,影响因素众多,经常出现运行不稳定的情况,易引发“压耙”和“跑浑”等故障。故障一旦发生,不仅会使生产停滞,浪费原料,造成巨大的经济财产损失,甚至可能威胁到现场工作人员的生命。而故障一般不会突然发生,在故障发生之前系统都会处于不稳定的状态,我们称之为系统的异常工况,如果能够对异常工况进行有效的识别并准确找到其原因,那么就能避免故障的发生。因此对于浓密洗涤过程异常工况的研究具有重要的意义。本文针对浓密机浓密洗涤过程复杂的工况状态和诸多监测变量间的耦合关系,对浓密洗涤过程的异常工况的识别及其原因追溯展开研究。主要研究工作如下:（1）从浓密机的工作原理出发,对浓密机浓密洗涤过程中的关键变量进行分析,整理诸多变量之间的耦合关系。从浓密机的典型故障状态入手,由故障状态反推异常状态,分析异常状态与各个监测变量的关系。为建立合理的异常工况识别和原因追溯模型奠定基础。（2）面对浓密洗涤过程复杂的工况状态和耦合关系,为了结合专家知识和实际数据的分析,采用贝叶斯网络的方法进行研究。对于实际工业生产中出现的数据缺失和错误的情况,选择在不完备数据集下的SEM算法进行贝叶斯网络的结构学习,并结合专家知识对算法进行改进,提出基于知识导向的SEM算法,在网络学习的过程中引入专家知识。为建立贝叶斯网络模型提供更加有效的方法。（3）应用知识导向的SEM算法,结合数据和专家知识,建立了浓密洗涤过程的异常工况识别及其原因追溯的贝叶斯网络模型,根据贝叶斯网络自身的特点和性质,采用基于现象层节点的方法和基于不完全信息的方法进行学习。仿真实验表明,应用基于知识导向的SEM算法的贝叶斯网络可以有效实现浓密洗涤过程异常工况识别及原因追溯。