李 元，姚宗禹

(沈阳化工大学 信息工程学院,沈阳 110142)

在现代工业中，为了在提高过程系统运行安全性和可靠性的同时，保证化学工程工艺系统中的产品质量，必须对过程进行实时监控.数据驱动的过程监测和控制技术已广泛应用于各种工业过程[1-3]，包括化学品、药品和半导体制造等[4-8].

传统主成分分析(PCA)是目前常用的多元统计方法，基于PCA的过程监测方法已成功地应用于大量工业过程中.然而，基于PCA的方法均假设过程是线性的，这限制了其在非线性工业过程中的应用.现代工业非线性过程大量存在，为了监测非线性过程，多种非线性过程检测方法相继被提出.

文献[9]通过在PCA中引入核技术提出了核主元分析(KPCA).而文献[10-11]提出基于KPCA的连续过程监测的非线性过程监测技术，KPCA将非线性低维数据映射到高维空间，使其在高维空间中存在线性关系.相对于PCA方法而言，KPCA方法在故障检测过程中可以提取系统中的非线性特征信息而不至于丢失重要信息，具有更好的非线性故障检测能力.但是，KPCA没有明确地考虑数据的非线性几何结构可能驻留在流形上的可能性[12]，若参数设置不当，核方法的故障检测性能就无法得到保证.此外，计算核函数耗时较长，影响对实时检测的需求.

文献[13-14]提出一种基于自联想的5层神经网络的非线性主成分分析 (NLPCA)，使用自关联神经网络将数据映射到特征空间.文献[15]提出一种基于主曲线和神经网络相结合的非线性主成……