韩敏，张占奎

（大连理工大学电子信息与电气工程学部，辽宁 大连 116023）

引 言

复杂工业过程如果发生故障，会造成巨大的损失，在线监控工业过程的运行状态，及时发现和识别故障至关重要。故障诊断主要研究如何对系统中出现的故障进行检测和辨识，也就是判断故障是否发生和故障发生的类型。其中，基于数据驱动的多元过程统计方法不需要精确的数学模型和先验知识，只需要对历史数据进行特征提取，在特征空间中构建监控统计量实现故障检测，并且根据贡献图识别引起故障的变量，是故障诊断领域研究的热点方向之一[1-3]。

特征提取作为非常关键的一步，直接影响故障检测与故障诊断的性能。一般来说，数据结构特征包括全局结构特征和局部结构特征。全局结构描述过程数据的整体结构，反映数据的外部形状，而局部结构描述过程数据近邻点的排列情况，反映数据的内在属性[4]。故障诊断中特征提取主要的手段包括：主成分分析（principal component analysis，PCA）[5]、偏最小二乘（partial least squares，PLS）[2]和独立成分分析（independent components analysis，ICA）[6]等。主成分分析通过求解历史数据协方差矩阵的特征值和特征矢量实现特征提取，由于主成分分析是一种线性投影方法[7]，无法解决过程监控中的非线性问题。为克服这一缺陷，核主成分分析（kernel principal component analysis，KPCA）被提出[8]。核主成分分析通过非线性映射函数将历史数据从原始空间投影到高维特征空间再运用线性PCA 技术，保留原始数据中大部分方差信息，但方差主要描述的是样本空间的全局结构信息[4]。……