过程监控国内外研究现状
所谓故障，就是指系统中至少有一个重要变量或特性出现较大偏差，偏离了规定的正常范围。工业系统中发生的故障类型主要包括：执行器故障、过程故障和传感器故障。其中，执行器故障的原因可能是调节阀失灵等；过程故障则可能是元部件发生故障，过程参数变化(如催化剂中毒和热交换器结垢)和干扰参数的变化(如过程进料流的浓度或周围温度发生极端变化)等；传感器故障则包括是测量产生偏差或传感器失灵。根据故障的性质划分，故障则又可分为突发故障和缓变故障。从另一角度——建模角度出发，故障又能分为乘性故障和加性故障。过程发生故障时，系统的性能指标会明显低于正常水平，难以实现或不可能实现其预期的功能。所以，为了确保过程运行状况符合给定的性能指标，需要对故障进行检测、诊断与消除。
过程监控的主要方法有：基于解析模型的方法、基于知识的方法和基于信号处理的方法。
（1）基于数学模型的方法。首先利用滤波器或观测器对过程系统的参数和状态进行重构并与相对应的可测信息进行比较，产生残差，并对残差进行分析处理。所产生的残差应与过程的正常运行状态无关，一旦出现异常，就能从它所反应的信息检测和识别故障源。缺点是由于该类方法对模型精度的依赖性非常强，浙江大学硕士学位论文而且通常只适用于变量较少的过程。常用的方法有状态估计法，等价空间法，参数估计法等等。
(2) 基于知识的方法。由于工业过程系统的复杂性，很难得到对象的精确模型，这极大地限制了基于数学模型的监控方法的应用范围。基于知识的方法不需要对象的精确机理模型，因而也得到了较快的发展并在多个领域得到了广泛的运用。优点是只需要有丰富的过程数据就可以实现监控，且容易与过程的工艺、经验以及历史记录相结合。缺点是也只适用于变量数目较少的过程。常用的基于知识的方法有神经网络、模糊推理、模式识别、聚类分析等等。
(3 )基于信号处理的方法由于故障与异常往往会导致过程信息的变化，如幅值、相位、频谱等等，因此可以通过信号模型，如相关函数、频谱分析等手段提取信号的方差、频率等特征信息进行监控。主要方法有趋势校验、小波分析、信息融合、特征空间投影分析等等。
(4)基于数据驱动的方法。当很难建立被控对象的解析模型，但可以得到被控过程的过程数据和质量数据时，可采用基于数据驱动的方法。随着自动化、计算机网络及数据库技术的发展，工厂可以直接从生产过程获得大量的实时运行数据。但是要从观测数据中实现对过程运行情况的评估，己超出了工程师或操作员的能力范围。数据驱动技术的优势就在于能够将过程数据和质量数据从高文数据空间投影到低文特征空间，提取特征空间信息，摒除冗余信息，大大减轻了工作量，因此基于数据驱动的方法是一种比较实用的过程监控方法。在分析工业过程数据时，除了考虑数据质量、数据大小、数据的共线性问题，还需要克服数据的时变性、数据的多尺度性、数据的非线性、数据的动态特征等难题。[2]