改进的HOS-MKEPLS方法：提高间歇过程故障检测与变量追溯性能

本文主要探讨了基于质量相关的间歇过程故障监测与故障变量追溯的方法，特别关注的是如何改进多向核熵偏最小二乘（MKEPLS）算法，以克服其在处理数据时仅考虑一阶和二阶统计特性而忽视高阶统计特性导致的有用信息丢失问题。MKEPLS通常用于特征提取，但这种局限可能导致在复杂工业过程中对故障检测和诊断的有效性下降。 文章首先提出了基于高阶统计量的多向核熵偏最小二乘方法（HOS-MKEPLS）。HOS-MKEPLS的关键步骤包括：首先，通过构建样本的高阶统计量，如Skewness（偏度）和Kurtosis（峰度）等，将原始数据从一维的数据空间映射到一个包含更高维度信息的高阶统计量样本空间。这样做可以更好地捕捉数据中的非线性和复杂模式，这些模式往往与故障信号相关。 接着，利用这个新的高阶统计量样本空间，构建MKEPLS模型进行故障监控。这个模型能够更有效地检测间歇过程中的异常情况，从而及时发现潜在的故障。当监控系统检测到故障时，HOS-MKEPLS还具备故障变量追溯的能力，即回溯故障发生的源头，帮助分析人员确定故障原因。 为了验证HOS-MKEPLS的有效性，论文将这种方法应用到了工业青霉素发酵过程的故障监测实验中，并将其与传统的MKEPLS进行了对比。实验结果显示，HOS-MKEPLS在故障识别和监控性能上显著优于MKEPLS，证明了高阶统计量的引入对提高间歇过程故障监测的准确性至关重要。 此外，该研究还得到了国家自然科学基金和高等学校博士学科点专项科研基金的支持，体现了学术界对间歇过程监控与故障诊断领域的持续关注。作者常鹏和高学金的研究工作着重于间歇过程控制和复杂系统的建模，他们希望通过这种方法的开发，提升工业过程的稳定性和效率。 这篇文章对于工程师和研究人员来说，提供了一种有效的故障监测策略，特别是在处理间歇过程数据时，利用高阶统计量增强特征提取和故障识别能力，这对于提高制造业的质量控制和维护具有实际价值。