李 强,孔祥玉,罗家宇,解 建

(火箭军工程大学导弹工程学院,陕西西安 710025)

1 引言

随着现代制造业的迅速发展,工业生产系统的成本与复杂性在快速增长,相应生产过程的安全性和可靠性也引起了人们的持续关注[1-2].针对这些工业系统的需求,传统的基于机理建模的过程监测与故障诊断方法难以满足现代工业生产.与之相比,数据驱动技术可以直接从大量数据中获取状态信息,不必知道系统的物理模型,易于实现,在过程监控领域得到广泛应用[3-6].多元统计过程监测(multivariate statistical process monitoring,MSPM)是一种有效的数据驱动方法[7],传统的MSPM投影方法有主成分分析[8](principal component analysis,PCA)和偏最小二乘[9](partial least squares,PLS).Wise等[10]和Qin[11]对基于PCA和PLS的过程监测和故障诊断方法进行了总结,这些方法是根据正常操作中收集到的过程和质量数据实现的.

随着分布式控制系统[12]和新型测量设备的广泛应用,过程工业中大量的过程数据和产品质量数据得以记录和储存.与过程数据测量相比,质量数据测量频率较低,通常具有明显的时间延迟.PCA最初是为了对大量相关数据进行降维而提出的,它能够保留从过程变量中提取的显著变异信息.因此,当质量数据难以获得时,PCA被用作监测过程变量的异常变化.然而在基于PCA的故障检测方法中,对过程变量进行分解时没有考虑输入与输出变量间的关系,无法揭示在过程变量中检测到的故障是否与质量输出相关[13].投入产出相关性可以为过程监控提供更多有用的信息[14],适用于……