林圣才 杨煜普 屈卫东

(上海交通大学电子信息与电气工程学院自动化系系统控制与信息处理教育部重点实验室，上海 200240)

近二十年来，随着现代化工及冶金等工业过程的日益大规模化和复杂化，工业过程的安全问题越来越受到人们的关注。复杂的工业过程往往难以用精确的物理模型去描述[1]，因此基于多元统计分析的故障诊断方法应运而生，并在工业过程中获得了成功的应用[2～5]。Wise B M等将主元分析方法(PCA)引入了过程监控[6]，Lee J M等在PCA的基础上提出了核PCA方法并将其用于故障诊断[7]。PCA方法是从观测数据中提取与统计无关的主元，通过构造统计量对过程状况进行监控统计，判断过程是否出现故障，它要求数据服从高斯分布。但是实际工业过程往往并不满足这个条件，同时PCA方法无法反映过程的动态时序特性，这在一定程度上影响了它的故障检测准确率。可预测元分析(Forecastable Component Analysis,ForeCA)作为一种新的统计信号处理方法[8]，克服了这个不足。它是一种全新的用于多变量时序相关信号的降维与特征提取方法，它能从已有的数据中捕捉到系统的动态特性，并以此来预测系统运行变化的趋势，因此所提取的特征更能从本质的上描述工业过程。

笔者将可预测元分析方法引入到故障检测中，通过所挖掘的可预测元提取出观测信号中的可预测分量，构造两种统计量对其进行统计监控。该方法克服了主元分析方法需要数据服从高斯分布且无法反映过程时序特性的不足，能够预测系统运行变化的趋势，反映出系统的动态特性，提升故障检测的效果。……