基于典型相关分析与分布距离度量的工业过程故障检测框架

《Scientific Reports》：Distribution-based canonical correlation residual monitoring for industrial processes fault detection

　　

摘要

可靠的故障检测对于工业过程的安全、高效和可持续运行至关重要。本文提出了一种基于典型相关分析（CCA）的故障检测框架，采用基于分布的残差监控方法，使用赫林格距离（HD）、库柏-莱布勒距离（KLD）和 Kantorovich 距离（KD）。具体而言，该方法在滑动窗口内评估残差分布，并使用核密度估计（KDE）以无参数方式确定决策阈值，避免了具有限制性的正态分布假设。该方法的一个关键优势在于，仅需无故障数据即可进行模型构建和阈值校准，因此在标注故障数据稀缺或不可用时尤为适用。该框架能够检测破坏 CCA 交叉相关结构的故障，包括影响预测变量或响应变量中变量的故障。本文在威廉斯-奥托反应器和污水处理厂（WWTP）上对偏置故障、间歇性故障、漂移故障和冻结故障进行评估。额外的实验考察了 CCA 输入变量中的故障、对滑动窗口和 KDE 设置的敏感性以及不同的故障幅值。所提出的方法还与 CCA 平方预测误差（CCA-SPE）、主成分分析（PCA）和支持向量回归（SVR）监控方法在相同的故障场景和评估条件下进行了对比。结果表明，基于分布的 CCA 指标总体上优于传统的 CCA-SPE 以及所考虑的 PCA 和 SVR 方法。其中，CCA-KD 取得了最佳的整体性能，具有高检测率和低误报率。总体而言，将 CCA 与基于分布的监控相结合可以提供有效的多变量故障检测。