郭金玉 王东琴 李 元(沈阳化工大学信息工程学院 辽宁 沈阳 110142)

0 引 言

数据驱动技术由于其易于实现、对先验知识和过程机制要求较低等优点，在工业过程监控领域受到了广泛的关注[1-6]。主成分分析(Principal component analysis,PCA)方法是工业系统中常用的一种监测和故障检测方法，但它基本上是一种线性方法。然而，大多数的实际工业生产系统是非线性的。为了扩展到实际工业生产中的非线性系统，在离线阶段，Jia等[7]采用监督核PCA(Supervised kernel PCA,SKPCA)方法，推导出低维子空间的非线性最优嵌入。传统PCA假定采集的数据服从单峰或高斯分布，然而由于工业过程的复杂性和多模态特性，采集到的数据往往遵循不同的分布。为了提高传统PCA的有效性，Wang等[8]提出了一种新的故障检测方法WKNS-PCA，将多模态数据转换成近似单模态或高斯分布，并将其应用于过程异常值的检测。Lou等[9]将隐半马尔可夫模型(HSMM)与PCA相结合，把模式持续时间概率集成到隐马尔可夫模型中处理多模态特征，提出HSMM-PCA方法，其中PCA是一种功能强大的单模过程监控方法，HSMM主要负责模式划分和识别。为了克服kNN方法[10]不能有效地对方差差异明显的多模态过程进行过程监视的缺点，Zhang等[11]提出基于加权k近邻距离(Weightedk-nearest neighbor，WkNN)的故障检测方法。冯立伟等[12]提出基于主元分析和WkNN相结合的方法PCA-WkNN。为了更有效地监控多稳态模式的非高斯过程，Zhong等[13]提出了一种基于局部熵无关分量分析(LEICA)的过程监控方法,该方法利用局部概率密度(Local probability density,LPD)估计来消除多模特性的影响。为了提高……