正交校正AR模型：动态过程监测中的关键解决方案

本文主要探讨了一种针对采样数据自相关性问题的创新动态过程监测方法，该方法结合了正交信号校正（OSC）和自回归（AR）模型。在传统的AR模型中，自相关性可能会导致预测误差和模型不稳定。通过OSC技术，研究者消除了两个数据集之间的正交不相关信号，从而提高了模型的准确性。 在处理过正交信号的AR模型基础上，进一步采用了偏最小二乘（PLS）回归技术进行建模。PLS是一种统计方法，它在处理非线性和多重共线性问题时表现优异，适合于高维数据集的分析。这种方法不仅考虑了模型潜在成分，还关注了残差信息，因为残差可以提供关于模型性能和数据质量的重要线索。 文章强调了在线监测的重要性，即实时监控模型状态，以便及时发现潜在的异常或故障。借助贝叶斯推理，作者将多个监测指标进行融合，形成一个综合评估体系，这有助于简化决策过程，快速识别可能的故障情况，并发出警报。这种方法的实用性得到了田纳西-伊斯曼（Tennessee Eastman, TE）过程仿真实验的支持，TE过程是一个工业界广泛使用的复杂系统，用于测试过程控制和故障诊断算法。 这篇论文提供了一个有效的策略，通过OSC、AR和PLS的组合，克服了自相关性对动态过程监测的影响，提升了模型的稳定性和预测能力，这对于工业过程控制和维护具有重要的实际应用价值。