郭小萍，徐 月，李 元

(沈阳化工大学 信息工程学院， 辽宁 沈阳 110142)

随着现代工业过程生产规模不断扩大，企业生产系统的自动化水平和集成化程度也在不断提高，生产单元之间的高关联性使得过程故障具有了比以往更强的破坏性.为了减少故障造成的影响，基于数据驱动的故障检测方法受到了广泛关注[1-2].近年来，在解决具有非线性、多工况等方面特征的工业过程故障检测取得了很多成果.其中主元分析(principal component analysis，PCA)和kNN在故障检测方面得到了广泛应用[3-7].

PCA方法假设数据服从多元高斯分布，但是由于实际工业生产过程的复杂性和多样性，数据很难满足这种假设，这使得PCA在处理非线性和多模态数据时有一定的局限性[8-10].Bakdi等[11]提出一种自适应PCA的方法，使用改进EWMA算法更新控制限，提高PCA方法的检测性能.He等[12]提出了FD-kNN(Fault detection based onk-nearest neighbor)故障检测方法.该方法依据正常样本相似、距离较近，而大多数故障样本与正常样本距离较远的特点，通过计算两个样本间的欧式距离，寻找样本的k个近邻，使用k个近邻的距离平方和作为故障检测统计量，可以相对有效地解决非线性和多模态的问题.在此基础上，Verdier等[13]提出了基于马氏距离的FD-kNN故障检测方法.该方法使用马氏距离代替欧氏距离，通过样本的局部近邻估计得到协方差矩阵，改善了故障检测结果.He等[14]提出了基于主成分的kNN(principal component based onkNN，PC-kNN)故障检测方法，解决了FD-kNN建模和监测时计算量大的问题.但是，PC-kNN方法只使用了主元空间中的信息，忽略了残差……