近日，北京化工大学信息科学与技术学院王友清教授研究团队在《Automatica》上发表了题为“A novel multivariate statistical process monitoring algorithm: Orthonormal subspace analysis”的regular paper。
该工作重点剖析了传统偏最小二乘（Partial Least Squares, PLS）和典型相关分析（Canonical Correlation Analysis，CCA）两种方法在信息泄漏、模型辨识、主元选择和过程假设等方面存在的缺陷问题，并针对以上问题提出一种新的关键绩效指标（KPI）监控方法，称为正交子空间分析算法（Orthonormal Subspace Analysis, OSA）。OSA通过解析解的形式将过程数据和KPI数据划分为三个正交子空间， 采用累积百分比方差（cumulative percent variance，CPV）方法选择有效主元，并构建统计量实现过程监控。较之于PLS和CCA，OSA不仅可以检测故障，还可以有效判断故障是否与KPI相关；此外，无论KPI变量是否可以实时在线获取，OSA始终有效。总而言之，OSA是一种比PLS和CCA更有效的方法，在故障检测和分类方面取得了优异的性能。另外，OSA方法还可以用于质量预测、数据压缩等领域。
本文第一作者楼志江，是北京化工大学信息科学与技术学院的2018级的博士毕业生，现就职于深圳职业技术学院智能科学与工程研究院；通讯作者为北京化工大学信息科学与技术学院王友清教授。
《Automatica》是系统和控制领域的顶级期刊，对文章的前沿性、原创性、数学功底要求极其严苛，年接收和发表regular paper仅500余篇，代表着该领域科研工作的顶尖水平。
论文链接：https://authors.elsevier.com/a/1eWsQ1AMv4EEs