文献综述 一、研究的背景和意义 随着现代工业及科学技术的迅速发展，系统的规模越来越大，复杂性也越来越高，大量的过程控制器被用于克服过程中的扰动和变化，使得过程模型的复杂程度不断增大。

企业每天都在产生和存储大量的过程测量数据，这些数据反映了生产过程及设备的运行情况。

由于这些数据源维数高，变量间关系复杂，直接基于原始数据建立故障检测模型较为复杂，而且故障诊断性能较低，因此需要进行维数约简，提取有效的数据进行分析。

多元统计过程监控方法如主元分析和偏最小二乘通过对数据进行降维处理，提取了高维数据的主要特征，然后基于降维数据建立故障检测模型，提高了模型的精度和故障识别率。

然而，传统的多元统计过程监控方法通常依赖于一些假设，如过程仅包含一种操作模态以及数据服从高斯分布。

在复杂化工过程中，这些假设往往难以满足，因此传统方法通常无法得到令人满意的监控结果。

如何利用有效的特征提取方法及相应的过程监控算法对这些数据进行处理，已经成为工业过程综合自动化技术研究的热点和前沿。

图1 故障检测流程图 二、研究现状 随着对化工工业系统安全性要求越来越高，基于机器学习的故障诊断，日渐成为各国研究热点。

Li等介绍基于SVM的在线故障诊断方法，并将其应用于化学流程工业当中。

Ch i a n g 等提出了一种FDA 和支持向量机(Support Vector Machine,SVM)相结合的故障诊断方法。