基于JS散度和潜在特征提取的多块PCA故障监测

针对大规模工业过程故障监测中存在的局部信息难提取、监测信息单一的问题,提出一种基于JS散度(Jensen-Shannon divergence)和潜在特征提取的多块PCA(principal component analysis)故障监测方法。首先,计算过程变量之间的JS散度值并进行变量分块,突出过程局部特征;然后,对每个变量块进一步提取累积误差和一阶差分等潜在特征信息从而扩展出额外的信息子块;最后,分别建立PCA监测模型对每个信息子块进行监控,并通过贝叶斯推断完成子块决策融合得到全局监测结果。通过TE(Tennessee Eastman)过程的仿真对该方法进行了验证。