当今社会科学技术不断进步,现代化水平越来越高,现代控制系统日益趋向大规模、复杂化和自动化。随着系统规模与复杂程度的增加,进一步提高了对其安全性的要求。故障诊断与预报技术是增强系统可靠性及降低事故风险的有效途径。如果在系统出现故障后及时地检测到故障,并辨识出故障的类型,或在系统只出现很小的异常时就预报出故障的发展趋势,则可准确及时地做出有效的维修决策来防止系统故障的进一步发生,从而避免由于故障发展引起的不必要的损失。鉴于此,本文对隐马尔可夫模型(Hidden Markov Model,HMM)的在线故障诊断与多步故障预报进行了研究,并将其成功应用于田纳西-伊斯曼(Tennessee Eastman,TE)化工过程中。本文研究的在线故障诊断包括故障的在线检测与在线辨识两个方面。故障检测是故障诊断的重要部分,本文提出了一种新的基于HMM的在线故障检测方法。该方法以一个新的实时统计量作为在线故障检测的量化指标,首先采用主元分析方法对系统变量进行特征提取,再利用变长度滑动窗口在线跟踪动态数据得到故障检测的实时阈值,然后比较待测系统实时统计量与实时阈值的大小来判断系统是否发生故障。研究在线故障辨识需要首先训练系统所有故障情况下的隐马尔可夫模型得到故障的模型库,然后测试待测系统运行数据与各个模型的匹配程度,来得出待测系统所发生的故障属于哪个类型。之后将这些方法都带入TE过程进行了仿真验证。最后,根据HMM的结构和基本算法,在HMM的预报模型的基础上,本文提出了一种基于HMM的多步预报方法。并应用这一方法预报了TE过程故障6情况下一段时间之后的系统健康状况,从而对故障发展趋势进行了预测,验证了该多步预报方法的有效性。