商亮亮 陆智林 文传博 邱爱兵

(1.南通大学电气工程学院,江苏南通 226019;2.上海电机学院电气学院,上海 201306)

1 引言

高度相关的子系统与控制单元导致工业过程变得越来越复杂[1].大多数工业过程对可靠性和安全性有更加迫切的需求[2-3].随着数据驱动技术的迅速发展,多变量统计过程监测(multivariate statistic process monitoring,MSPM)方法在工业和学术界引起了极大的关注[4-6].3种最常用的数据驱动监测方法是主成分分析(principal component analysis,PCA)[7-8],偏最小二乘(partial least squares,PLS)[9-10]和规范变量分析(canonical variate analysis,CVA)[11-13].其中,基于CVA的监测方法在动态过程监测中显示了它的优势.然而,大多数已发表的文献集中于检测幅值相对较高且变化较大的突变故障[13].微小故障的主要特征是其变化发展缓慢[14],且用常规故障检测方法不容易检测到.微小故障的诊断方法始于贝尔实验室提出的故障树分析法[15].李娟等[16]进行了微小故障诊断方法综述,将微小故障诊断分为定性诊断、定量诊断和半定性半定量诊断的方法.定性诊断方法主要由图论方法和专家系统,故障树分析法便是图论方法的一种;定量诊断方法分为基于模型的方法和数据驱动的方法.

许多学者对数据驱动检测方法进行了改进.一类基于残差指标增强检测灵敏度的方法:Pilario和Cao等[13]提出了规范变量差异分析(canonical variate dissimilarity analysis,CVDA),并用于动态过程中的早期故障检测,其中证明了基于相异度的统计量优于传统的统计量.此外,针对非线性动态过程微小故障,Pilario和Cao等[1]还提出了一种混合核CVDA的监测方法,增强了检测的灵敏度……