流程工业生产过程具有多工况特性,当工况发生变化时,原工况模型一般不再适用于新工况。若是按常规方法建立新工况模型,通常需要耗费大量时间和资源;在线建模期间,无法有效进行生产过程的性能监测和质量预测,难以保证生产过程的安全性以及产品质量的可靠性。多工况过程的快速建模和在线监测是实际生产过程的迫切需要,模型移植理论是有效解决该问题的方法之一。本文以具有动态变规格控制策略的轧制过程为应用研究对象,针对其多工况、变工况、多操作阶段、高维耦合过程变量等特点,采取多元统计建模、模型移植、阶段划分等手段,实现新工况的快速建模、性能监测和质量预测。首先,针对轧制过程的多工况特点,分析了不同工况下高维过程数据的统计特性。不同工况下,虽然过程变量的数据特性发生了显著变化,但过程所遵循的内部机理是不变或非常相似的。在此认知下,先根据历史数据的分布情况,定义过程的基准工况,建立基准工况的多元统计模型;新工况在线建模时,通过主成分(PCA)相似因子,将工况变化分为渐变工况和突变工况,分别选用数据筛选和模型重构这两种移植策略,快速获得轧制过程新工况下的板形预测模型,实现板形缺陷的在线预测。然后,同时考虑轧制过程的多工况和多阶段特点,采用一种密度聚类算法提取稳态轧制阶段的稠密数据,建立稳态阶段局部的过程监测模型,基于该局部模型,辨识非稳态阶段,实现轧制过程的阶段划分;采用模型移植的思想,由典型工况历史数据定义基准工况数据集,从中寻找与新工况数据特征相似的样本,建立轧制各阶段的初始移植模型,并依赖不断累积的新工况数据迭代更新模型,使之具有良好的模型精度和鲁棒性,最终实现新工况的在线性能监测。本文方法在宝钢2030mm冷轧机组上进行了仿真和实验验证,结果表明,本文方法具有良好的快速建模能力,模型精度高,在线监测和板形质量预测性能满足企业实际需求,有望成为企业提高过程安全性和产品质量可靠性的技术保障。