郭金玉，张安宝， 李 元

(沈阳化工大学 信息工程学院， 辽宁 沈阳 110142)

近年来，因为科技与自动化水平的提高，工业生产过程变得越来越繁杂，这促使过程监测控制越来越得到大家的关注[1-3].现在有关数据驱动的故障检测算法已成为国内和国外学术界的研究热点，用独立成分分析(independent component analysis,ICA)和主成分分析(principal component analysis,PCA)做引领的多元统计分析方法快速兴起，而且衍生出大量新的故障检测方法[4-6].PCA是一种对数据进行全局信息提取的方法，会造成局部信息的丢失，而且处理多模态问题效果不理想.多模态间歇过程的特征是非线性、时变性和多工况等，这使得多模态间歇过程的故障检测具有挑战性.近十几年来，大量学者提出了多种多模态故障诊断方法[7-8].为了处理多模态间歇过程的故障检测问题，He等[9]提出基于k近邻(k-nearest neighbor,KNN)的故障检测方法.KNN 算法对多模态问题是有效的，不过对于样本量大的数据集KNN计算量很大，并且对方差差别很大的多模态样本，检测效果不理想.另外，KNN每进行一次检测都会再次执行整体计算.马贺贺等[10]提出用局部离群因子(local outlier factor，LOF)的方法实现多模态过程的监视与控制.由于LOF值对基于相异密度的数据集群都适用，因此，可以通过获取目标的LOF值来更加准确地断定噪声点.不过该算法也有一定的局限性，其计算比较繁杂，准确性不高.最近几年，以实时监测多工况生产过程中的故障为目的，刘帮莉等[11]提出关于局部密度估量的多模态过程监视控制方法；Deng等[12]提出关于局部近邻相似度分析的多模态故障诊断方案，并运用到连续过程的故障诊断中；……