1.一种多工况过程模态辨识方法，其特征在于，具体包括如下步骤：步骤1：离线训练，具体步骤如下：步骤1.1：收集d种不同工况下的历史数据，建立训练数据集其中，m为传感器个数，ni为第i个工况下的样本个数；

步骤1.2：计算每个工况的先验权重βi：步骤1.3：对第i个工况下的数据进行预处理：其中， 代表第i个工况下的第k个采样时刻的测量向量； 为相应的零均值化的向量；μ{i}为第i个工况数据的样本均值，由式(3)计算：步骤1.4：计算第i个工况数据的样本协方差Q{i}：其中， 为 转置；

步骤1.5：令j＝1，并设置误差阈值∈；

步骤1.6：令k＝0，生成随机向量 并归一化：其中， 表示 的2范数；

步骤1.7：若j>1，则对公式(5)中的 进行正交化处理：其中，wi是待优化正交矩阵W的第i列； 中k是迭代计算的第k步，T是转置；

步骤1.8：计算函数g(wj)：其中，wj是待优化正交矩阵W的第j列；

步骤1.9：计算g(wj)的雅可比矩阵J(wj)：其中，I为单位阵；

步骤1.10：牛顿迭代：步骤1.11：若j>1，对公式9中的 进行正交化处理：步骤1.12：对公式10中的 进行归一化处理：步骤1.13：判断公式(11)中的，若 令k＝k+1，并跳转到步骤1.10进行牛顿迭代；

步骤1.14：令j＝j+1，若j≤m，则跳转到步骤1.6；

步骤1.15：得到正交矩阵W，对不同工况的数据进行如下处理：z{i}＝WTx{i}    (12)；

其中，z{i}为第i个工况下的数据向量；

步骤1.16：设置核函数K和带宽h；

步骤1.17：对i＝1,…,d,j＝1,…,m，估计条件概率密度函数：{i}

其中， 表示第i个工况下z 第j个传感器的第k个采样时刻的值；

步骤2：在线模态辨识

步骤2.1：对样本数据进行如下正交变换：zk＝WTxk    (14)；

步骤2.2：对i＝1,…,d，计算条件概率密度步骤2.3：模态类别由最大条件概率密度确定：