【计算智能与工业过程控制实验室】

过程监控可以及时检测故障，是提高工业系统安全性和可靠性的重要途径。由于工业系统日益大型化和复杂化，难以建立机理模型或数据模型。随着现场总线、计算机技术发展，人们很容易从工业过程中获取海量数据。因此，基于数据驱动的过程监控方法成为当今过程监控领域研究的热点，如何从海量数据中挖掘有用信息是解决这一问题的关键。

近年来，泉州装备所智能计算和工业大数据实验室陈豪研究院领导的团队，重点研究大数据处理相关技术，在国家自然科学基金项目、中科院海西研究院“春苗人才”专项等支持下，在基于数据驱动的过程监控研究中取得系列进展。为了解决上述问题，研究团队在主成分分析（Principal Component Analysis, PCA）算法的基础上提出新的方法，能有效克服原有方法的缺点。

主成分分析方法是非常流行的特征提取方法，具有简单、高效、大数据处理能力强等优点。但该方法应用到过程监控中，会遇到数值计算问题。研究团队根据过程监控的核心思想，通过构造新的矩阵来避免数值问题，还能有效提高故障诊断准确率。此外，与现有的基于数据驱动方法进行对比，充分说明了提出方法在准确率和计算效率方面的优势。最后，采用常用的化工过程----Tennessee Eastman过程数据来进行实验，测试结果验证了提出算法的优势。

目前，该研究成果现已在IEEE系列国际会议—第29届中国控制与决策会议（2017年）上发表了题为“A modified PCA-based approach for process monitoring”的论文，对工业系统过程监控方面具有重要的参考价值。

（陈豪课题组供稿）