郭小萍， 郭建斌， 高嘉俊， 李 元

(沈阳化工大学 信息工程学院，辽宁 沈阳 110142)

工业过程故障检测是保证产品质量和运行安全的关键。目前基于数据驱动的故障检测技术得到飞速发展[1-2]，国内外已有许多研究成果，如基于主元分析(Principal Component Analysis,PCA)[3-4]、偏最小二乘(Partial Least Squares,PLS)[1,5]和典型变量分析(Canonical Variate Analysis,CVA)[6-7]等的故障检测方法。传统故障检测方法通常在检测出系统故障时发出报警，不显示该故障是否对质量产生影响的信息。随着现代生产过程对产品质量的要求不断提高，技术工程师和企业管理者更关心故障发生时，是否会影响到产品质量。目前对质量相关故障的检测方法的研究开始受到越来越多的关注[8-9]。过程发生故障时，根据故障是否影响最终产品质量，可以将故障进一步划分为质量相关故障和非质量相关故障[10]。

传统CVA方法可以提取过程变量与质量变量之间最大相关性，建立质量相关故障检测系统，监测质量相关故障对质量的影响。由于非质量相关故障对质量无影响，当生产过程发生此类故障时，质量相关故障检测系统不报警，从而发生漏报。Zhu等[11]通过PCA和CVA相结合的方法，能够对过程相关故障和质量相关故障同时进行监控。在生产过程中采集的数据通常具有时序相关性，该性质可能会对故障检测模型的精准度产生影响[12-13]。为了提高模型的性能，动态CVA(Dynamic CVA,DCVA)方法[14-15]采用Hankel增广矩阵构造动态相关矩阵进行建模，降低了数据时序相关性对模型的影响。但新构造的增广矩阵由于维度的扩展，增加了检测所需时间。……