基于规范变量分析的数据重构方法及应用_卢娟

　　工业系统的数据采集过程中往往不可避免的会有数据遗失的现象， 数据遗失不仅影响过程监控的效果甚至会导致无法执行过程监控。在连续过程的分析中，数据会因传感器的故障或者定期的离线维护而遗失; 各种的设备故障或者响应超过设备可探测范围，会引起数据的遗失，这些数据的遗失是随机的。还有些情况数据的遗失是规则的， 最常见的情况就是传感器的采样周期不同造成的数据遗失。数据重构不仅用于过程监控中一些监控指标的确立上，还可用于建立过程的统计模型，从而预测过程趋势或产品产、质量等。大部分连续系统的数据分析过程不允许遗失数据的存在， 因此需要重构数据。重构方法很多，目前最常用的是主元分析法 （Principal Component Analysis， PCA）进行数据重构，在主元分析中， 评价当前采样数据是否符合主元模型的指标为平方预测误差（Squared Prediction Error， SPE），该指标量测的是变量之间的相关关系。通过建立正常数据的 PCA 模型，然后将当前含遗失数据的采样数据代入该模型并计算出 SPE 的表达式， 在保证 SPE 值最小的情况下， 也就是保证变量之间相关关系尽量不变的前提下，实现了由正常的数据重构遗失数据。但是这种方法应用的前提是不考虑变量间的自相关性， 而实际工业过程大都含有强自相关。本文针对近年来统计过程监控领域中出现的能解决自相关问题的规范变量分析法 （Canonical Variate Analysis， CVA） 进行过程故障诊断的需要， 提出了基于 SPE 指标的 CVA 数据重构方法，并将其应用于一实际的化工吸附分离过程，考虑到此化工过程存在反馈环节，变量间既存在互相关，同一变量也存在自相关，运用 CVA 进行遗失数据重构，取得了比 PCA 方法更好的重构效果，开拓了遗失数据处理的思路。