现代工业生产过程不断向着大规模、复杂化、集成化、精细化的方向发展，为了保证这些系统可以高效、安全地运行，人们不但希望能对其实施良好的控制，而且还希望能进行实时的监控，以便当他们发生故障时能够及时进行处理，这就提出了动态系统的故障检测和诊断的问题。

传统的基于分析模型的方法适用于能建模、有足够传感器的“信息充足”的系统，需要过程较精确的定量数学模型，而要建立过程的数学模型则必须了解过程的机理结构。在实际过程中，对于大型复杂工业过程而言，由于其存在复杂性，内部各环节之间的联系不明确等局限性，无法完全依靠传统方法建立精确的物理模型进行管理监控，存在“未建模动态”，这种模型不精确性虽然使得模型的鲁棒性较好，但同时也容忍了故障的发生，增加了确定故障发生类型的难度。

基于经验知识的方法适用于不能或不易建立机理模型，传感器数不充分的“信息缺乏”的系统。

综上所述，基于分析模型的方法和基于定性经验知识的方法更适用于具有较少输入，输出或状态变量的系统，对于具有海量数据的系统则使用成本过高。

基于数据驱动的故障诊断方法是对过程分析数据进行分析处理，在不需要知道系统精确解析模型的情况下完成故障诊断，这与现代工业生产过程的特点十分契合。

大型复杂工业过程在运行中产生了大量反映过程运行机理及运行状态的数据，需要监控的变量数也有了大幅度的增加，获得的数据与小型简单过程相比呈现了数量级的增长，若仍然采用PID闭环控制来补偿扰动和突变，则需要补偿的数量过多，导致控制器负担过重，生成附加的故障。在流程工业中变量耦合严重，当某一环节发生故障时，如果不及时发现并正确处理，可能会将小故障逐渐演化为大故障，导致重大的事故，甚至演化成巨大的灾难。因此对于现代工业生产而言，为保证系统能够安全、高效的运行，在对系统实施良好控制的同时，还需要对系统的运行工况进行实时的监控，及时排除存在的故障，消除故障隐患。

传统的基于数据的故障检测方法PCA，能够很好地实现数据降维，但是在故障检测方面，PCA方法假设数据服从线性分布，但是很多实际工业过程都是非线性分布，导致故障的检测效果不好，本课题采取KPCA、KPCA等方法，通过向高维特征空间投影，提高故障检测率；PCA方法在故障检测时并没有考虑时间信息，使其在动态过程故障检测方面效果较差，本课题采用了dynamic-KPCA 、dynamic-SVDD等算法，通过对数据加入时间延迟信息，使在故障检测时考虑时间信息；在传统故障检测方法时，对数据预处理方面，都是简单地减去所有数据的平均值，没有考虑稳态和非稳态，本课题采用TS-PCA,将数据分解为与时间相关和不相关的两部分，检测效果有明显提升。

本课题将上述方法应用于TE数据，验证了本课题采用的方法比传统方法在故障检测效果上有很大提升。

2. 研究的基本内容与方案

传统的基于数据的故障检测方法PCA虽然能够很好地实现故障降维，但在故障检测方面，面对于复杂的非线性的工业过程数据不能得到很好的检测效果，所以需要基于传统PCA算法进行改进；而由于PCA方法在故障检测时没有考虑时间信息，在动态检测中的效果较差，工业过程中对故障检测的及时性有着很高的要求，由于过程中变量耦合严重，如果检测不及时检测并诊断出故障，采取正确的措施加以解决，可能引发一系列的连锁反应，造成无法估量的严重后果。为了解决这个问题需要提出相应的改进方法；且动态过程的故障检测对于稳态和非稳态都有检测的必要。为了达到这些目的，需要采用多种方法进行改良。