钟 凯 韩 敏 韩 冰

1.大连理工大学电子信息与电气工程学部 大连 116023 2.上海船舶运输科学研究所航运技术与安全国家重点实验室 上海200135

随着现代工业水平的迅猛提高,其生产规模和生产过程的复杂性也大大增加,为了保障工业安全和产品质量,过程监控和故障诊断技术也显得愈发重要[1-2].传统的基于模型的过程监测方法依赖于精确的数学模型或充分的先验知识,极大地限制了其在实际中的应用.而基于数据驱动的方法无需建立精确的过程机理模型,直接对过程运行数据进行分析和处理,据此建立描述过程运行状态的统计模型,因此很适合于监测难以建模的复杂工业过程,主要包括,适合于故障分类和诊断的费舍尔判别(Fisher discriminant analysis,FDA)[3],主成分分析(Principal component analysis,PCA)[4],利用质量变量引导过程变量样本空间分解的偏最小二乘(Partial least squares,PLS)[5]以及适用于非高斯过程监测的独立主元分析(Independent component analysis,ICA)[6].特别地,PCA 作为一种最主要的数据驱动方法,能够有效地进行数据降维和潜在特征的提取,并且在上述方法中具有最低的计算复杂度,因此受到工业界和学术界的广泛关注,并在故障检测和诊断领域取得了丰富的研究成果[7-8].

实际工业过程采集的过程数据一般都在时间上序列相关,而基于传统的PCA 方法的过程监控并没有考虑数据间的此种关联,以至于主成分甚至残差都具有未被建模的动态特性,因此并不适用于动态过程的建模.文献[9]首先使用延时测量值扩充分析数据阵,然……