王晓慧，王延江，邓晓刚，张政

（中国石油大学（华东）控制科学与工程学院，山东青岛266580）

引 言

随着现代工业过程的规模扩大和复杂性增加，安全性和连续性成为人们高度关注的焦点。作为保障工业过程安全连续生产的关键，实时故障检测技术的地位日趋重要[1-3]。近年来，随着先进的数据采集和计算机控制系统的广泛应用，工业大数据平台日益完善，数据驱动的故障检测方法成为一个研究热点[4-6]。本质上讲，数据驱动故障检测也可视为一个单分类异常检测任务。单分类异常检测方法通过统计分析、机器学习等技术描述正常数据分布区域，该区域之外的样本被认为是异常数据。作为一种经典的单分类异常检测方法，支持向量数据描述(support vector data description,SVDD)在诸多异常检测领域得到了广泛的应用[7-8]。SVDD 属于一种无监督学习算法，它只需要正常样本进行模型训练即可。在工业生产过程中，大部分采集到的操作样本是正常的，而故障数据很少。即使存在一些故障数据，它们往往是未标记的。因此，SVDD 的无监督学习特性特别适用于数据驱动的故障检测问题[9-10]。

目前，已经有一些学者将SVDD 算法应用到工业过程监控和故障检测中。王建林等[11]针对高维空间中超球体的不规则性，设计了基于核相似度的SVDD 监控模型。赵小强等[12]考虑到测量变量之间存在的相关性，设计了一种基于变量分块的改进SVDD 方法，并通过青霉素发酵过程进行了仿真验证。为同时处理工业过程数据的动态、非线性和非高斯性，Zhang 等[13]设计了一种两步式SVDD 模型。……