郭金玉, 刘玉超， 李 元

(沈阳化工大学 信息工程学院， 辽宁 沈阳 110142)

随着工业过程检测系统的渐趋复杂，基于数据驱动的故障检测技术被广泛应用于控制工程邻域[1-6].其中以主成分分析(principal component analysis,PCA)为代表的统计过程控制方法是典型的基于数据驱动的故障检测方法[7-9]，通过系统所采集的数据来分析生产过程样本是否存在故障，不依赖于先验知识和数学模型.

PCA算法[10]是一种线性降维方法，通过线性变换对原始数据进行降维，提取数据的主要特征，然后利用平方预测误差(squared prediction error,SPE)和Hotelling’sT2对低维空间的样本状态进行监控，但是SPE和T2统计指标要求数据满足单模态多元高斯分布的前提假设，而工业过程数据通常具有非线性、多模态和非高斯等特性.为了提高PCA在非线性过程故障检测中的性能，Schölkopf等[11]提出基于核主成分分析(kernel principal component analysis，KPCA)方法，通过非线性核函数将数据映射到高维特征空间，但是这种方法需要数据服从独立同分布.为了克服KPCA的这一局限性，使其更好地应用于实际生产过程，Schölkopf等[12]又提出将核主成分分析与隐马尔可夫模型相结合的方法(kernel principal component analysis and hidden markov model，KPCA-HMM)，基本思想是将静态降维技术与经典的混合模型相结合，提高数据的转换、降维和分类能力，但是该方法应用数据的静态特征对系统的要求较高.为了适应复杂的非线性过程，Fazai等[13]提出一种可变滑动窗口核主成分分析 (variable moving window kernel principal component analysis，VMWKPCA)方法，该方法根据正常过程的变化来改变滑动窗口的大小，提高系统的自适应能力，并提高故障检测性能.上述……