过程监控国内外研究现状(2)
而基于数据驱动的方法主要包括主元分析(Principal Component Analysis，PCA)、偏最小二乘法(Partial Least Squares，PLS)、费舍尔判别分析法(Fisher Discriminant Analysis，FDA)、规范变量分析(Canonical Variate Analysis，CVA)、独立成份分析(Independent Component Analysis，ICA)等。而PCA 和 P LS在连续生产过程，如低浓度聚乙烯生产过程、污水处理、矿石处理、生物反应器的监视和诊断中应用十分广泛。过程监控是一项复杂的系统程。监控任务的完成，主要由数据采集、数据处理、故障检测与诊断、监控决策等四个阶段组成。
过程监控是一项复杂的系统工程，监控任务的完成，主要由采集、数据处理、故障检测与诊断、监控决策等四个阶段组成。完整的过程监控示意图如下图1.2所示。
下面对各个阶段进行简单介绍：
数据采集：目前先进的计算机技术和测量技术，使我们能从复杂过程中采集到大量数据。监控过程的数据采集，必须同时兼顾到采集过程的工程可实现性和采样数据有效性。这里所谓数据有效，是指采样的测量数据与过程系统故障之间必须存在关联性。
数据预处理：测晕数据可能包含一些与监控过程信息不相关的变量和野点(Outliers，也称为异常点或异常数据)，在进一步分析之前应该将它们去除。数据预处理的目的是标定过程数据，使每个变量被赋予相等的权重。
故障检测与诊断：是过程监控的核心。故障检测就是确定故障是否发生了。及早进行检测可以对将会出现的问题提出预警；但通常任何故障检测系统都不可能完全正确地检测出控制系统的各种故障，因此提高故障的检出率，降低漏报率和误报率一直足故障检测领域的前沿沿课题。故障诊断就是对系统的运行状态进行分析判断，查明故障发生的时间、位置、幅度和故障模式，也就是确定故障原因。
监控决策：即“对症下药’’，分析出故障产生的原因及部位后，对故障进行处理。处理方式要具体情况具体分析。较典型的故障处理方法有顺应处理、容错处理与故障修复等三大类。[3]
传统的主元分析法（PCA）是目前基于多元统计过程控制的故障诊断技术的核心，是基于原始数据空间，通过构造一组新的潜隐变量来降低原始数据空间的文数，再从新的映射空间抽取主要变化信息，提取统计特征，从而构成对原始数据空间特性的理解。而独立元分析方法（ICA）作为主元分析的延伸，可以从数据中进一步提取互为独立的信息元。但是这两种方法都没有考虑过程的质量波动及异常，而基于偏最小二乘法（PLS）的方法可以解决这个问题。
偏最小二乘法是一种新型的多元统计分析技术。PLS理论由两个部分组成：PLS回归与PLS路径建模。1966年，Herman Wold首次提出PLS，稍后被称之为非线性迭代偏最小二乘法(Nonlinear Iterative Partial Least Squares: NIPALS )。1983年，Herman的儿子Svante Wold和Harald Martens为强调回归问题对NIPALS做了调整，这样PLS回归被最终确定下来。当时，PLS回归的应用主要在化工领域。PLS 路径建模方法是 PLS 回归的扩展与延伸，它于八十年代早期由Herman Wold和Joreskog等人开发出来，相对PLS回归的应用范围而言，PLS路径建模技术在计量经济学和心理学以及管理行为等领域发挥着更为重要的作用，有着更为广泛的应用。
1984年，Wold 提出的偏最小二乘回归(Partial Least Squares Regression，简称PLS 回归)，为在变量集合多重相关条件下的回归建模提供了一个有效的工具。1989年Wold提出了二次多项式偏最小二乘回归，又于1992年提出了样条偏最小二乘回归；1992年，Hoskuldsson提出了另一种不同的二次多项式偏最小二乘回归；1994年，Lars Aarhus发表了《Nonlinear empirical modeling using local PLS models》， 提出对解释变量局部分段使用PLS回归方法。上述这些非线性PLS回归研究扩大了PLS回归的应用范畴。然而，由于这些模型还仅局限于对模型的整体预测上，因此对变量间的关系探讨并不尽人意。此外，有关模型的计算方法也比较复杂，使其应用受到局限基于此，就有必要对数据特征及其内部的相互关系作进一步研究和探讨，建立更直观、简洁并能够反映变量间非线性作用特征的结构模型。