冯晓伟，许剑锋，何川

（火箭军工程大学，陕西 西安 710025）

0 引言

大型工业设备在运行过程中的突发性故障容易造成经济损失甚至危及生命财产安全。在现代工业技术高速发展的今天，日趋复杂的系统结构使系统的安全性和可靠性面临着前所未有的挑战，也促使在线工业过程监控和故障诊断方法越来越受到重视[1-2]。

目前，学者们针对工业过程的故障诊断技术做了大量研究，提出了多种不同的在线故障诊断方案。基于人工神经网络的方法[3-4]采用历史数据训练网络模型来实现故障定位。以主成分分析（PCA,principal component analysis）[5-6]和偏最小二乘（PLS,partial least square）[7-8]为典型代表的多元统计分析方法通过历史数据建立主子空间和残差子空间，并在两类子空间中分别构建T2和平方预测误差（SPE,squared prediction error）统计量来实现过程监控。在此基础上，学者们又发展了核PCA（KPCA,kernel PCA）[9-10]和核PLS（KPLS,kernel PLS）[11]等方法将数据映射到高维空间来实现非线性工业过程监控。传统方法将工业过程视为静态过程，但实际工业过程往往具有动态特性，即系统当前状态与历史状态密切相关。因此，传统静态监控方法在处理动态过程数据时容易出现较高的漏报率或误报率。许多动态多元统计方法，如递归PCA（RPCA,recursive PCA）[12]、动态PCA（DPCA,dynamic PCA）[13-14]以及动态PLS（DPLS,dynamic PLS）[15-16]等方法的相继提出，提升了动态工业过程的监测准确度。

上述方法只考虑对系统状态进行监测，即确定系统是否发生了故障。在监测到系统发生故障后，为了进一步确定故障发生的位置、类型和时间，一些故障诊断方法被相继提出。……