(火箭军工程大学导弹工程学院，陕西西安，710025)

偏最小二乘(partial least squares,PLS)、主成分分析(principal component analysis,PCA)、规范变量分析(canonical variable analysis,CVA)和独立成分分析(independent component analysis,ICA)[1-3]等是经典的基于数据驱动的多元统计过程监控(multivariate statistical process monitoring,MSPM)方法[4-6]，在钢铁、化工、生物等复杂工业过程和复杂装备测试中不断发展。工业过程和复杂装备测试通常具有非高斯特性，但PLS 和PCA 均在多变量服从高斯分布的前提下，利用信号的低阶统计信息(均值和方差)进行故障检测和诊断。当实际的工业过程和复杂装备测试不满足高斯性时，PLS和PCA 的故障检测效果和故障诊断效果均不理想。相比于PLS和PCA，ICA从主元分析、因子分析上发展而来，能有效利用信号的高阶统计信息(3 阶以上)提取相互独立的成分，在非高斯过程监控中具有很大优势，因此，ICA是非高斯工业过程和复杂装备测试中常用的故障检测技术。JUTTEN 等[7]进行了盲信号的分离研究；COMON[1]阐述了ICA的基本概念并给出了严格的数学定义，使ICA 成为盲信号分离的重要手段；BELL 等[8]不仅提出了信息最大化准则，而且运用ICA 真正实现了盲信号分离，加速了ICA 的发展；YANG 等[9-10]提出了自然梯度搜索算法，不仅提升了梯度ICA 算法的速度，而且使自然梯度搜索算法成为ICA 中广泛应用的搜索算法；HYVÄRINEN等[11]提出了不同于文献[8-10]的定点迭代算法及固定点快速ICA算法(FastICA)[2]；KANO 等[12]将ICA 引入简单流程工业的过程监控，第一次实现了基于ICA的故障检测；LEE等[13]将ICA用于故障检测和诊断，给出了较完整的故障检测和诊断策略，与PCA 和PLS 的故障检测指标T2统计量、平方预测误差统计……