王伟兵

河钢股份有限公司邯郸分公司信息自动化部，河北 邯郸 056000

随着科学技术的发展，现代工业系统的规模和复杂程度也日益增加。热处理炉设备[1]在退火过程中有着十分重要的地位，其运行状态对产品质量产生了直接的影响。因此，对常化炉的运行过程监测方法的研究显得十分重要。多元统计的方法[2]是目前较为常用的过程监测方法，慢特征分析（SFA）作为一种全新的特征提取和降维方法，近年来受到了广泛关注。它能够从时序信号中提取出变化最缓慢的成分，有效表征系统所固有的本质属性，这些成分被称为慢特征。然而传统的SFA只是对数据做了一个映射变换，并不能实现数据的降维，在实际的热处理设备工业背景下，生产过程复杂，数据变量少则数十个，多则上千个。即使变量维度不大，如果盲目地放入算法中，将不能保证监测的有效性，可能会出现漏报或误报的现象，对于热处理炉的过程监测存在一定的挑战性。

在SFA方法的基础上，文章提出了ReliefF-SFA方法，将原有方法进行扩展，先对数据进行映射变换得到慢特征；然后采用ReliefF方法选取权重大的变量放入主子空间，其余的放入残余子空间，使其能够判断是否发生故障。

1 慢特征分析概述

慢特征分析（SFA）是Wiskott[3]提出的一种从快速变化的时序信号中提取不变或慢变特征的方法，它作为一种新的特征提取方法受到广泛关注。慢特征表征了数据所属事物的固有性质，在时序信号的分析中发挥了重要的作用，其通过将主元分析应用于输入信号的白化和白化后信号的一阶时间导数，从而提取出一组按时间慢度从小到大排列的不相关特征。……