非平稳过程异常监测方法：综述与展望

实际工业过程受多种因素（如原材料变化、负载波动、设备老化等）的影响，往往表现出非平稳特性，即过程监测数据统计特性随时间发生变化，因此非平稳过程异常监测备受关注并已成为监测领域的焦点之一。本文从监测方法的角度对非平稳过程异常监测相关研究成果进行了系统性的回顾：首先对非平稳过程的概念和技术难点进行了概述；其次，将非平稳过程监测方法根据原理的差异划分为五大类，并总结了各类方法的优点与不足；最后，结合当前技术发展的现状，对非平稳过程研究中的挑战进行了深入分析与展望。

在工业生产过程中, 异常事件的发生可能导致严重的后果, 例如制造线停滞、产品下线、企业声 誉受损, 甚至引发人员伤亡等. 因此, 现代化工业生产领域近年来对过程安全的要求不断提升 [1], 过 程监测的需求在复杂工业生产环境中也日益凸显. 有效的过程监测策略不仅能够及时发现生产过程 中的异常情况并采取相应的措施, 从而将潜在的人力和资源损耗最小化, 同时还能够在风险控制之余 显著提升工业产品的质量. 基于工业的生产特性, 实际过程可根据非平稳性的显著程度被划分为平稳过程和非平稳过程. 然而, 鉴于实际工业过程受到外部因素（如原材料变化、机组负荷波动、不可预测扰动和运维操作 等）和内部因素（如设备老化、控制系统反馈等）的影响, 通常认为这些过程都具有非平稳特性, 即数 据统计特征随时间而变化. 多元统计过程监测（Multivariate statistical process monitoring, MSPM） 等技术已在过去几十年里得到广泛应用 [2∼6]. 然而, 在解决非平稳过程监测问题时, 传统的 MSPM 策略难以实现对正常非平稳变化趋势的准确建模和跟踪, 可能导致一些关键的异常信息被淹没, 从而产生大量的虚警与漏警. 此外, 非平稳变量间的时序相关性和非线性耦合等特性也为相关研究人员 带来了巨大的挑战. 随着相关技术的不断发展, 非平稳过程监测相关的研究近年来得到了显著增长. 图1按照时间 顺序对非平稳过程监测相关研究的文献数量进行了统计. 本文以 1996 年文献 [7] 中首次提出非平 稳过程概念为起点, 对近三十年来非平稳过程监测领域的研究成果进行了系统性总结. 根据监测方 法原理的差异, 可将这些方法分为五大类, 包括自适应建模（Adaptive modeling, AM）、协整分析 （Cointegration analysis, CA）、平稳子空间分析（Stationary subspace analysis, SSA）、趋势分析 （Trend analysis, TA）和深度学习（Deep learning, DL）. AM 方法在非平稳过程监测中的应用最早 可以追溯到 1998 年, 文献 [8] 提出了递归偏最小二乘（Recursive partial least squares, RPLS）策略. 文献 [9] 将 CA 用于工业蒸馏装置的过程监测, 标志着 CA 成为非平稳过程监测的一种手段. 随后, 文献 [10] 为实现高维数据在低维空间中的可靠监测, 在非平稳过程中引入了 SSA 策略. TA 首次成 功应用于非平稳过程异常监测的实例可见文献 [11]. 文献 [12] 标志着 DL 方法的出现. 除了上述五 大类广泛应用的方法外, 文献 [13] 首次研究了包含连续变量和二值变量混合的过程监测问题. 图2展 示了近三十年来非平稳过程监测领域的发展历程. 越来越多的学者已经认识到非平稳过程监测在实际应用中具有巨大的价值, 并已积极投身于相 关研究. 相关文献的数量也呈现出明显增长的趋势. 尽管如此, 目前关于非平稳过程监测的系统性 综述仍相对稀缺, 从而导致领域内的研究者缺乏系统框架参考. 表1总结了过程监测的英文综述现状.