1.一种基于隐马尔可夫模型的多工况过程工况辨识方法，其特征在于，包括以下步骤：

11、离线训练阶段，具体为：

111、采集不同工况下的历史数据，建立如式(1)所示的训练数据集，X＝{Xi},i＝1,…,C   (1)其中， 为第i种工况下的训练样本，Ni为第i种工况下的样本个数，m为测量变量数目，C为工况总数；

112、各个工况的初始概率分布设置为相等，即为式(2)所示：

113、假设历史数据是有标签的，即获得数据样本对应的工况信息，则利用极大似然估计算法估计隐马尔可夫模型的各个参数，采用式(3)计算工况i向工况j的状态转移概率，其中，Fij表示过程在前一时刻处于工况i且在当前时刻转移至工况j的频数；

114、假设各个工况下的数据服从单一的高斯分布，则第i个工况的样本均值为式(4)所示，其中， 表示第i个工况下的第j个数据样本；

115、第i个工况的样本协方差矩阵为式(5)所示：

116、采用训练好的隐马尔可夫模型 用于对该多工况过程进行建模；

12、在线辨识阶段，具体为：

121、令过程在t-1时刻分属各个工况的概率为P(qt-1＝i)，采用式(6)计算t时刻的先验概率：

122、结合t时刻的样本xt，采用式(7)根据贝叶斯准则计算后验概率：

123、将(6)式代入(7)式，得到式(8)其中， 为多元高斯概率密度函数，即式(9)

124、根据最大后验概率准则，则t时刻的工况为式(10)所示：