业过程一旦发生故障，不仅会影响产品质量和经济效益，甚至可能造成人员伤亡、设备损毁，污染物泄漏等灾难性后果。因此，快速灵敏的故障检测有助于工作人员及时发现并排除故障。而工业过程的数据都存在互相关性和自相关性，主元分析(PCA)和偏最小二乘(PLs)等降维技术只消除了数据的互相关性，典型变量分析从相关性出发，不仅解决了数据变量之间的相关性．而且解奂了变量自身的时序相关性，具有更好灵敏性和快速性。

工业需求正朝着更加灵活的生产计划快速发展。因此，常常需要使工厂生产适应需求，而需求可能会因应用程序而变化。典型变量分析(CVA)是一种多元数据驱动的检测方法，它已经被证明优于其他方法，特别是在操作条件动态变化的情况下。本工作的目的是提供一个基准案例，以证明不同的监测技术在工业多相实验台中具有检测和诊断人工种子人为因素造成故障的能力。测试平台的运行条件的变化，测试平台的规模和复杂性使得本案例研究成为了一个基准案例的理想候选者，它为使用真实的实验数据对新颖的多变量过程监控技术性能的评估提供了一个测试平台。

过程监控和故障诊断技术自从1971年Beard 教授提出解析冗余概念以来，蓬勃发展，目前已成为系统安全保障层级结构中的重要一层，即先进控制和报警系统层级。除此之外，故障检测与分离技术也在工业领域有广泛的应用，一些商用软件已经产品化如Watchdog Agent、ProSenus 公司的Multivariate Analysis Sofeware、iCONICS公司的FDDWorX等。然而，目前该技术仍然存在许多问题，如基于模型的故障检测与诊断方法需要精确的数学模型，这在复杂系统中难以实现，而基于数据驱动的方法不仅依赖过程数据的质量，还对系统过程

机理关注较少，因而不能以最有效的方式对系统或设备进行诊断。

在实际工业系统中，数据驱动方法被广泛应用于故障检测和诊断。特别是多元监测技术，如主成分分析(PCA)或偏最小二乘法(PLS)，在考虑到过程中测量的不同变量之间的相关性，它们相对于传统的单变量方法更有优势。然而，需要更有效的技术来处理诸如改变操作条件或非线性系统等问题。Ku、Storer和Georgakis提出了使用滞后变量来考虑时间相关性，将PCA扩展到动态系统监控(DPCA)。同样，Komulainen、Sourander和J ms-Jounela提出了PLS的动态版本。尽管他们成功了，据报道，当应用于在可变负载条件下的工作系统时，DPCA和DPLS不像其他基于状态空间的方法如规范变量分析CVA那样有效，主要表现在系统动力学。其他常用的状态监测方法有神经网络、机器学习或故障树分析。

2. 研究的基本内容与方案

1）.为开发新的监测技术及其在实际工业试验设施中的实施提供基准案例研究。

2).研究了CVA作为一种能够检测实际系统在变工况下工作的故障的能力。

3).比较了CVA算法与传统的PCA、PLS算法及其动态方法的性能。

4).评价用核密度估计器(KDE)估计非线性系统健康指标阈值的可行性。