工业过程数据具有规模性大, 复杂性高, 变量多, 关联性强等特点. 如何从数据出发准确并快速地发现故障并处理, 保证过程高效运行意义重大。目前已有学者将一些数据驱动的故障诊断方法结合起来,使其能够处理更多特性(如动态, 非线性等) 的工业过程, 进而提高诊断的准确性. 然而, 这些方法多针对特定的问题, 如只是进行故障检测或者故障诊断等. 因此, 本文提出了一种集成数据分类, 故障模型库建立, 故障诊断及可视化于一体的方法, 完成数据分类, 构建故障模型库, 故障在线诊断及可视化相关处理.

（1）常规主成分分析(PCA) 方法对历史数据进行初筛, 区分出正常和故障信息；

（2）聚类方法对故障数据集进行分类；

（3）局部线性指数判别分析方法(LLEDA) 建立故障模型库进而进行故障诊断.

面对这些任务，混合型过程监控和故障诊断方法的实现过程如下图。

混合型故障检测和诊断信息流程 

采用田纳西伊士曼(TE) 过程来评估所提混合型故障监控与诊断方法的有效性, 基于PCA 的故障检测方法对数据集进行粗分, 检测出显著故障，再使用层次聚类方法展示出部分故障数据的层次聚类树形图，利用平行坐标可视化方法展示每类故障数据集, 通过比较各故障数据集与正常数据集各变量, 判别故障类型。

层次聚类分析

故障数据的平行坐标可视化图

LLEDA 故障诊断：采用LLEDA方法进行故障诊断, 在进行判别分析的时候将类间离散矩阵和类内离散矩阵指数化, 即使数据集中存在难诊断的微小故障, 也能增大不同类别间的距离, 提高分类能力.此方法的故障检测能力与其他方法的对比结果更说明了其有效性。

FDA、LLE + FDA 和LLEDA 方法下不同特征矢量对应的故障4, 8 和13 的识别率

故障诊断结果可视化：从三个特征向量的角度建立三维数据分类图, 实现故障数据分类可视化的直接展示.

在LLEDA 方法下故障数据的投影

图3  TDAA语音分离模型框架[5]LLEDA 方法下故障4, 8 和13 的诊断结果

混合型过程监控与故障诊断的结论：有效结合了PCA 的检测能力, 层次聚类的分类能力以及LLEDA 的判别分析能力. 首先利用PCA 检测是否发生故障, 利用正常工况数据建立统计模型,计算监控统计量和置信限, 然后利用层次聚类方法对故障数据集进行聚类分析, 分成不同的故障类别.最后基于聚类分析的结果再进行LLEDA 判别分析.与其他方法相比, LLEDA 在降维过程中保留了局部几何结构, 克服了类内离散矩阵奇异值的问题, 可以避免小样本问题, 提高对微小故障的诊断率. 此外,基于此混合型故障诊断方法, 可以保证在工业过程中直接采集数据进行监控诊断而无需知道先验知识,良好的仿真结果表明了所提方法的有效性.