翟 超,熊偉麗

(江南大學(xué) 輕工過(guò)程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室,江蘇 無(wú)錫 214122)

隨著傳感和檢測(cè)技術(shù)飛速發(fā)展,工業(yè)生產(chǎn)的信息化程度不斷提高,產(chǎn)生了大量的生產(chǎn)過(guò)程數(shù)據(jù),因而多元統(tǒng)計(jì)過(guò)程監(jiān)控(MSPM)方法得到了廣泛應(yīng)用。其中主元分析(Principal component analysis,PCA)、偏最小二乘(Plus least square,PLS)和獨(dú)立元分析(Independent component analysis,ICA)等是比較經(jīng)典的多元統(tǒng)計(jì)監(jiān)控方法[1-3]。針對(duì)工業(yè)過(guò)程呈現(xiàn)的不同特征,研究者們對(duì)3種經(jīng)典方法進(jìn)行了一系列改進(jìn)[4-9]。其中,Nguyen等[6]提出了使用核技巧計(jì)算非線性主元的核主元分析法(Key PCA,KPCA),無(wú)需考慮非線性優(yōu)化問(wèn)題,具有更加優(yōu)越的性能。針對(duì)PCA不能解決非高斯過(guò)程監(jiān)測(cè)的問(wèn)題,Ge等[7]提出了一種基于獨(dú)立元分析-主元分析(ICA-PCA)的故障監(jiān)測(cè)方法,通過(guò)提取過(guò)程的高斯和非高斯信息用于故障檢測(cè)和診斷。Zhou等[8]提出一種全潛投影偏最小二乘方法,對(duì)PLS的主元及殘差空間進(jìn)行了二次分解,質(zhì)量相關(guān)故障和無(wú)關(guān)故障的監(jiān)測(cè)性能在一定程度上同時(shí)得到了提升。然而這些方法都是建立一個(gè)全局模型,沒(méi)有考慮到生產(chǎn)過(guò)程中的局部信息,容易忽略局部產(chǎn)生的故障。

在現(xiàn)代工業(yè)中,以大規(guī)模和多個(gè)操作單元為特征的生產(chǎn)過(guò)程越來(lái)越多。而當(dāng)這樣的生產(chǎn)過(guò)程發(fā)生故障時(shí),可能只有部分變量受到影響,這時(shí)若只建立全局模型,那么局部信息可能會(huì)被淹沒(méi),因此,多塊或分布式過(guò)程監(jiān)控成為一種有效的解決方案。國(guó)內(nèi)外學(xué)者已經(jīng)提出多種多塊監(jiān)控方法來(lái)獲得復(fù)雜過(guò)程變量之間的關(guān)系,并能夠反映過(guò)程的局部特性[10-15]。Macgregor等[12]提出了多塊投影方法,為每個(gè)子塊以及整個(gè)過(guò)程建立監(jiān)控圖表。Westerhuis等[13]從算法角度比較了傳統(tǒng)PCA和PLS方法,先根據(jù)已有知識(shí)對(duì)變量進(jìn)行分塊,再用其分別對(duì)子塊建模,最后將結(jié)果融合。這些分塊方法要求熟悉工業(yè)過(guò)程并具備一定的先驗(yàn)知識(shí),當(dāng)先驗(yàn)知識(shí)相對(duì)匱乏時(shí),模型建立變得十分困難。因此基于數(shù)據(jù)的變量分塊方法成為了研究熱點(diǎn)。一種基于故障的變量選擇和基于貝葉斯推斷的分布式方法由Jiang等[14]提出,首先使用優(yōu)化算法為每個(gè)故障識(shí)別最佳變量子集,其次對(duì)每個(gè)子塊進(jìn)行PCA監(jiān)測(cè)模型的建立,最后通過(guò)貝葉斯推斷來(lái)融合所有子集的監(jiān)測(cè)結(jié)果。Huang等[15]考慮過(guò)程的高斯特性,對(duì)過(guò)程分塊,分別用DPCA和DICA 方法對(duì)相應(yīng)子塊進(jìn)行監(jiān)控。

上述多塊監(jiān)測(cè)方法在分析各過(guò)程變量之間關(guān)系的基礎(chǔ)上,通過(guò)構(gòu)建一些規(guī)則將變量分塊,取得了優(yōu)于單一模型的監(jiān)測(cè)效果,但是僅使用了過(guò)程數(shù)據(jù)的觀測(cè)值,并沒(méi)有挖掘隱含在數(shù)據(jù)中的其他有效信息。顧炳斌等[16]提出了一種新的分塊思想,同時(shí)提取過(guò)程數(shù)據(jù)觀測(cè)值、累計(jì)誤差和變化率信息,將原始數(shù)據(jù)集擴(kuò)充為3個(gè)子塊分別監(jiān)測(cè),最終將子塊的監(jiān)測(cè)結(jié)果融合,利用了數(shù)據(jù)中隱含的信息使得監(jiān)測(cè)效果有所提升。

為了在考慮過(guò)程局部信息的同時(shí),挖掘并利用數(shù)據(jù)集中的其他特征信息,提出一種分層信息提取的多塊PCA故障監(jiān)測(cè)方法。首先通過(guò)計(jì)算變量之間的互信息值對(duì)過(guò)程變量進(jìn)行分塊,提取局部信息;其次對(duì)分塊后的變量塊進(jìn)一步提取累計(jì)誤差和二階差分等信息,將變量塊擴(kuò)充為多個(gè)信息子塊,使得子塊同時(shí)包含過(guò)程的局部信息和數(shù)據(jù)集的特征信息;再對(duì)每個(gè)信息子塊采用PCA方法進(jìn)行建模并監(jiān)控,最后將所有子塊的監(jiān)測(cè)結(jié)果進(jìn)行貝葉斯融合輸出。在TE過(guò)程的仿真實(shí)驗(yàn)中,驗(yàn)證了所提方法優(yōu)于傳統(tǒng)監(jiān)測(cè)方法,提升了監(jiān)測(cè)性能。

1 PCA故障監(jiān)測(cè)原理

PCA作為一種降維方法,在保留工業(yè)過(guò)程主要信息的同時(shí),將高維的過(guò)程數(shù)據(jù)投影至正交的低維子空間,目前在故障監(jiān)控領(lǐng)域得到了廣泛應(yīng)用[1]。假設(shè)過(guò)程變量數(shù)據(jù)矩陣為X∈Rn×m,對(duì)其標(biāo)準(zhǔn)化預(yù)處理后進(jìn)行主元分析可得

X=TPT+E

(1)

式中:T∈Rn×k為得分矩陣,P∈Rm×k為載荷矩陣,E∈Rn×m為殘差矩陣。

利用PCA進(jìn)行過(guò)程監(jiān)測(cè)時(shí),分別在主元空間和殘差空間中構(gòu)造T2和SPE統(tǒng)計(jì)量,根據(jù)其是否超限來(lái)判斷過(guò)程是否發(fā)生故障。假設(shè)一個(gè)新的測(cè)試樣本為x∈Rm×1,在PCA監(jiān)測(cè)模型中其T2和SPE統(tǒng)計(jì)量分別為

(2)

SPE=xT(I-PPT)x≤SPElim

(3)

2 基于分層信息提取的分塊方法

傳統(tǒng)的多塊建模方法依靠對(duì)過(guò)程變量進(jìn)行選擇來(lái)對(duì)過(guò)程分塊,從而獲得生產(chǎn)過(guò)程的局部信息。本文考慮到信息的多樣性,在變量分塊后,進(jìn)一步對(duì)每個(gè)變量塊提取累計(jì)誤差和二階差分等信息,挖掘原始數(shù)據(jù)集中的隱含信息,將每個(gè)變量塊進(jìn)一步擴(kuò)充為同時(shí)包含局部信息和特征信息的信息子塊,再對(duì)所有子塊進(jìn)行分塊監(jiān)測(cè)。分層信息提取的多塊建模方法與傳統(tǒng)多塊建模方法對(duì)比如圖1所示。

2.1 局部信息提取

本文通過(guò)計(jì)算變量之間的互信息值對(duì)過(guò)程變量進(jìn)行分塊,以提取過(guò)程的局部信息?；バ畔⑹切畔⒄撝械母拍?用于判斷一個(gè)隨機(jī)變量與另一個(gè)隨機(jī)變量之間重疊信息量的大小,也能用于衡量?jī)蓚€(gè)變量之間的相關(guān)程度。兩個(gè)變量之間互信息值的大小決定其相關(guān)性的強(qiáng)弱[17-19]。互信息的計(jì)算公式為

(4)

式中:p(x,y)為兩個(gè)變量x和y的聯(lián)合概率密度,p(x)和p(y)為兩個(gè)變量的邊緣概率密度。

考慮到概率密度函數(shù)的獲取難度較大,所以一般情況下互信息可由式(5)計(jì)算。

I(x,y)=H(x)+H(y)-H(x,y)

(5)

式中:H(x)和H(y)分別為變量x和y的邊緣熵,H(x,y)為兩個(gè)變量的聯(lián)合熵,其計(jì)算公式為

(6)

(7)

(8)

假設(shè)原始數(shù)據(jù)集為X∈Rn×m,m為變量個(gè)數(shù)。通過(guò)計(jì)算各變量之間互信息值大小,對(duì)m個(gè)過(guò)程變量進(jìn)行分塊,提取過(guò)程局部信息,將原始數(shù)據(jù)集分為b個(gè)子塊,即X=[X1,X2,…,Xb]∈Rn×m。

2.2 特征信息提取

2.2.1 累計(jì)誤差信息

累計(jì)誤差信息是通過(guò)計(jì)算一定時(shí)間段內(nèi)累計(jì)的觀測(cè)值信息與預(yù)設(shè)標(biāo)準(zhǔn)值的差所得到的信息。故障發(fā)生時(shí),若過(guò)程變量表現(xiàn)出微小的變化以及緩慢的偏移,過(guò)程的累計(jì)誤差信息可以在一定程度上放大這種變化或偏移,使得這類故障更容易被監(jiān)測(cè)到,從而提升監(jiān)測(cè)效果[16]。

假設(shè)標(biāo)準(zhǔn)化后的過(guò)程變量數(shù)據(jù)集經(jīng)過(guò)變量選擇分塊后的某一變量塊為Xb∈Rn×b,其均值為0。將標(biāo)準(zhǔn)值設(shè)定為變量的均值,那么將樣本值相加即可得到累計(jì)誤差信息。將前T個(gè)時(shí)刻的累計(jì)誤差信息作為新的特征信息,構(gòu)造新的特征信息子塊Xbl∈R(n-T)×b。第t個(gè)時(shí)刻的累計(jì)誤差為

(9)

式中:xl(t)表示t時(shí)刻的累計(jì)誤差信息,x(t)為該變量塊中t時(shí)刻的樣本。由于原始數(shù)據(jù)中前T個(gè)樣本用來(lái)構(gòu)造新的特征,因此新的特征數(shù)據(jù)集會(huì)損失T個(gè)樣本。

2.2.2 二階差分信息

二階差分是指在數(shù)據(jù)進(jìn)行一次差分的基礎(chǔ)上,對(duì)差分后的數(shù)據(jù)再進(jìn)行差分,可以進(jìn)一步反映過(guò)程的動(dòng)態(tài)特征。當(dāng)某個(gè)或某些故障導(dǎo)致相關(guān)變量產(chǎn)生振蕩而不單單是幅值變化時(shí),觀測(cè)值信息和累計(jì)誤差信息均無(wú)法很好地對(duì)故障進(jìn)行監(jiān)測(cè)。而對(duì)數(shù)據(jù)進(jìn)行二階差分后,能夠有效地觀測(cè)到此類故障,通過(guò)提取該信息用于建模,能夠更好地對(duì)此類故障進(jìn)行監(jiān)測(cè)。

假設(shè)標(biāo)準(zhǔn)化后的過(guò)程變量數(shù)據(jù)集經(jīng)過(guò)變量選擇分塊后的某一變量塊為Xb∈Rn×b,通過(guò)對(duì)每個(gè)時(shí)刻變量求取二階差分構(gòu)造新的特征信息子塊Xbd∈R(n-2)×b,t時(shí)刻的二階差分信息為

xd(t)=(x(t)-x(t-1))-(x(t-1)-x(t-2))

(10)

式中:xd(t)為t時(shí)刻的二階差分信息,x(t)為該變量塊中t時(shí)刻的樣本。

通過(guò)對(duì)變量子塊提取累計(jì)誤差及二階差分信息,得到信息子塊Xbl和Xbd,結(jié)合原始數(shù)據(jù)觀測(cè)值信息Xb,將每個(gè)變量塊擴(kuò)充為3個(gè)信息子塊,每個(gè)信息子塊包含了過(guò)程的局部信息和數(shù)據(jù)集的特征信息。

3 分層信息提取的多塊PCA故障在線監(jiān)測(cè)

3.1 故障監(jiān)測(cè)的主要步驟

首先,計(jì)算各個(gè)變量之間的互信息值,通過(guò)互信息值對(duì)變量進(jìn)行分塊,以提取過(guò)程局部信息。

其次,對(duì)利用互信息值劃分的各個(gè)子塊,提取其累計(jì)誤差信息和二階差分信息,與原始數(shù)據(jù)觀測(cè)值信息共同將每個(gè)變量子塊擴(kuò)充為3個(gè)特征信息子塊。

進(jìn)一步,采用PCA方法對(duì)所得的信息子塊進(jìn)行故障監(jiān)測(cè),得到各個(gè)信息塊的統(tǒng)計(jì)量與控制限。

最后,為了得到一個(gè)直觀的監(jiān)測(cè)指標(biāo),基于貝葉斯推斷,對(duì)所有子塊的監(jiān)測(cè)結(jié)果進(jìn)行融合,并將結(jié)果作為最終的統(tǒng)計(jì)監(jiān)測(cè)指標(biāo)。

對(duì)于一個(gè)測(cè)試樣本xtest,在貝葉斯方法中,其在第i個(gè)子塊中T2統(tǒng)計(jì)量故障的條件概率為

(11)

PT2(xtest,i)=PT2(xtest,i|N)PT2(N)+

PT2(xtest,i|F)PT2(F)

(12)

條件概率PT2(xtest,i|N)和PT2(xtest,i|F)定義分別為

(13)

(14)

(15)

同理,經(jīng)過(guò)BIC融合后的SPE統(tǒng)計(jì)量可由式(16)計(jì)算。

(16)

3.2 故障監(jiān)測(cè)算法流程

分層信息提取的多塊PCA(Hierarchical information extraction PCA,HIEPCA)故障監(jiān)測(cè)方法的流程如圖2所示,以下對(duì)算法具體實(shí)施過(guò)程進(jìn)行詳細(xì)描述。

(1)對(duì)正常數(shù)據(jù)集X0進(jìn)行標(biāo)準(zhǔn)化處理,獲得數(shù)據(jù)集X。

(2)計(jì)算數(shù)據(jù)集中變量之間的互信息值,并根據(jù)互信息值的大小對(duì)變量進(jìn)行分塊,生成b個(gè)變量子塊。

(3)對(duì)分類過(guò)后的每個(gè)變量子塊分別提取累計(jì)誤差信息和二階差分信息,與原始數(shù)據(jù)信息共同組成新的信息子塊,最終生成3×b個(gè)信息子塊。

(4)對(duì)生成的所有信息子塊中建立PCA模型,并計(jì)算子塊的故障控制限。

(5)對(duì)于新的測(cè)試樣本,經(jīng)過(guò)標(biāo)準(zhǔn)化處理后按照步驟2和3中的方法得到新的測(cè)試樣本。

(6)對(duì)每個(gè)信息子塊進(jìn)行監(jiān)測(cè),得到各信息子塊的監(jiān)測(cè)結(jié)果。

(7)對(duì)各子塊的監(jiān)測(cè)結(jié)果采用貝葉斯方法,得到BIC統(tǒng)計(jì)量,作為最終的監(jiān)測(cè)結(jié)果。

4 仿真實(shí)驗(yàn)

4.1 TE過(guò)程介紹

TE仿真過(guò)程由伊斯曼化學(xué)公司創(chuàng)建,旨在提供一個(gè)基于工業(yè)過(guò)程的真實(shí)測(cè)試平臺(tái)用以評(píng)估過(guò)程控制和監(jiān)控性能。該過(guò)程包括5個(gè)主體部分:反應(yīng)器、冷凝器、壓縮機(jī)、分離器和汽提塔[21]。整個(gè)過(guò)程共包含53個(gè)變量,其中有22個(gè)測(cè)量變量,12個(gè)操作變量,以及19個(gè)成分變量,TE過(guò)程的詳細(xì)描述可參考文獻(xiàn)[22],本文選取測(cè)量變量和操作變量(除去攪拌速度外)用于建模和監(jiān)測(cè)。TE過(guò)程設(shè)定的不同故障共有21中,包括16種已知故障和5種未知故障。分別采集正常工況下和各種故障工況下的960個(gè)樣本作為訓(xùn)練和故障測(cè)試集,故障樣本中的故障均從第161個(gè)點(diǎn)開(kāi)始產(chǎn)生。

4.2 仿真結(jié)果分析

圖3展示了33個(gè)變量之間的互信息值,不同顏色對(duì)應(yīng)其大小(范圍為0～1)。大多數(shù)變量之間的互信息值不超過(guò)0.2,因此,本文將0.2作為互信息閾值。若兩個(gè)變量之間互信息值超過(guò)閾值,當(dāng)故障發(fā)生時(shí),其受到的影響相似,將其分入一個(gè)子塊將更容易檢測(cè)到故障。例如變量12和29的互信息值達(dá)到0.996 6,變量15和30的互信息值為0.996 3,則將變量12和29分為一塊,同理將變量15和30分為一塊。將與其他所有變量之間互信息值均小于閾值0.2的變量分入一個(gè)子塊中進(jìn)行監(jiān)測(cè),共將33個(gè)過(guò)程變量分為8個(gè)子塊。具體的變量分塊結(jié)果如表1所示。

表1 變量分塊結(jié)果

對(duì)于經(jīng)過(guò)第一層信息提取后的變量子塊,以第一個(gè)變量子塊X1∈R960×2為例(包含變量12、29),進(jìn)行特征信息提取。首先計(jì)算前T個(gè)時(shí)刻的累計(jì)誤差信息,仿真中取T=5,構(gòu)造累計(jì)誤差特征信息子塊X1l∈R955×2;然后根據(jù)二階差分信息計(jì)算方法可得特征信息子塊X1d∈R958×2;觀測(cè)值信息即為變量子塊數(shù)據(jù)X1∈R960×2。由于累計(jì)誤差信息寬度T取值為5,在進(jìn)行監(jiān)測(cè)時(shí)將損失前5個(gè)樣本,因此最后由第一個(gè)變量子塊進(jìn)行第二層信息提取后擴(kuò)展成的觀測(cè)值、累計(jì)誤差以及二階差分信息子塊分別為X1∈R955×2,X1l∈R955×2,X1d∈R955×2。同理,對(duì)剩下所有變量子塊進(jìn)行特征信息提取,8個(gè)變量子塊擴(kuò)展為24個(gè)特征信息子塊。

對(duì)每個(gè)特征信息子塊建立PCA監(jiān)測(cè)模型,得到子塊的T2和SPE故障控制限后,本文采用貝葉斯方法將所有子塊的結(jié)果融合為一個(gè)BIC監(jiān)測(cè)指標(biāo)。對(duì)于測(cè)試樣本xtest,以計(jì)算BICT2統(tǒng)計(jì)量為例,首先由PCA模型計(jì)算出其在每個(gè)子塊中的故障統(tǒng)計(jì)量,然后由式(11)和(12)計(jì)算出其在每個(gè)子塊中出現(xiàn)故障的條件概率(α取0.99),之后根據(jù)式(15)得最終的BICT2統(tǒng)計(jì)量,同理可得BICSPE統(tǒng)計(jì)量。在BIC監(jiān)測(cè)指標(biāo)下,兩種統(tǒng)計(jì)量控制限均為1-α即0.01。當(dāng)樣本的監(jiān)測(cè)統(tǒng)計(jì)量高于控制限則判斷為故障樣本。

表2分別給出了針對(duì)TE過(guò)程的不同故障,3種分塊方法,即基于互信息變量分塊(Mutual information PCA,MIPCA),多塊信息提取(Multi-block information PCA,MBIPCA)以及本文方法HIEPCA下最優(yōu)子塊的監(jiān)測(cè)結(jié)果(各故障最低漏報(bào)率及對(duì)應(yīng)的故障編號(hào)在表2中加粗表示)。

表2 各方法下最優(yōu)子塊漏報(bào)率

從表2可以看出,大部分故障情況下本文方法的最優(yōu)子塊的監(jiān)測(cè)結(jié)果優(yōu)于前兩種方法的最優(yōu)子塊的監(jiān)測(cè)結(jié)果,說(shuō)明經(jīng)過(guò)局部信息和特征信息提取的兩層分塊后,子塊中包含更多對(duì)故障敏感的有效信息,能夠獲得更好的監(jiān)測(cè)效果。對(duì)于故障10和19,最優(yōu)子塊分別為子塊14和子塊18,即分別對(duì)應(yīng)由變量子塊5(含變量18,19,31)所擴(kuò)展的累計(jì)信息誤差信息子塊和變量子塊6(含變量7,13,16,20,27)擴(kuò)展的二階差分信息子塊,圖4和5分別為變量18和27特征信息。

由圖4(b)可知,對(duì)變量18進(jìn)行累計(jì)誤差信息提取后,與原始數(shù)據(jù)即觀測(cè)值信息相比,故障樣本的數(shù)據(jù)幅值顯著增大,因此更容易檢測(cè)到此故障。由圖5(c)可知,對(duì)變量27進(jìn)行二階差分信息提取后,正常樣本與故障樣本差異變得非常明顯,更有利于該故障的檢測(cè)。同時(shí),表3給出了3種方法融合所有子塊后最終的監(jiān)測(cè)結(jié)果。不難看出,由于進(jìn)行了分層分塊,本文方法在大部分故障情況下的監(jiān)測(cè)結(jié)果優(yōu)于前兩種方法。

表3 各方法下TE過(guò)程故障漏報(bào)率

為進(jìn)一步說(shuō)明本文方法的性能,選取故障10和故障20的監(jiān)測(cè)結(jié)果做詳細(xì)分析。故障10為T(mén)E過(guò)程中進(jìn)料C溫度的隨機(jī)變化,圖6展示了在3種方法下最優(yōu)子塊的監(jiān)測(cè)結(jié)果和融合子塊后的最終監(jiān)測(cè)結(jié)果(圖6(a)、(b)、(c)為最優(yōu)子塊監(jiān)測(cè)結(jié)果,圖6(d)、(e)、(f)為最終監(jiān)測(cè)結(jié)果)。在MBIPCA方法中,故障10最優(yōu)子塊的SPE漏報(bào)率為65.33%。在MIPCA方法中,最優(yōu)子塊的SPE漏報(bào)率為23.28%。在本文方法中,最優(yōu)子塊的漏報(bào)率為21.78%,監(jiān)測(cè)效果優(yōu)于前兩種方法的最優(yōu)子塊。融合所有子塊監(jiān)測(cè)結(jié)果,最終故障10的漏報(bào)率僅為15.27%,說(shuō)明在分層提取信息進(jìn)行監(jiān)測(cè)能夠達(dá)到優(yōu)于單一分塊方法的監(jiān)測(cè)效果。

故障20是一種未知故障,其監(jiān)測(cè)結(jié)果由圖7所示,該故障在MBIPCA方法和MIPCA方法中的最優(yōu)子塊對(duì)應(yīng)的SPE統(tǒng)計(jì)量漏報(bào)率分別為35.29%和36.8%,監(jiān)測(cè)效果相差不大。在本文方法中,最優(yōu)子塊的SPE統(tǒng)計(jì)量漏報(bào)率僅為22.53%,為3種方法中最低,融合所有子塊的監(jiān)測(cè)結(jié)果,最終故障20的漏報(bào)率僅為12.39%,大大提升了監(jiān)測(cè)效果。在3種方法的最終監(jiān)測(cè)結(jié)果即圖(d)、(e)和(f)中也可以看到,MBIPCA和MIPCA方法下的BICSPE統(tǒng)計(jì)量與故障控制限有明顯相交,而HIEPCA方法中的BICSPE統(tǒng)計(jì)量基本都在故障控制限之上,尤其是在第300到第750故障樣本點(diǎn)之間,漏報(bào)率非常低,監(jiān)測(cè)效果較前兩種方法有顯著提升。

5 結(jié)論

本文提出了一種分層信息提取的多塊PCA故障監(jiān)測(cè)方法,在考慮到過(guò)程局部信息的同時(shí),挖掘了數(shù)據(jù)的隱含信息。通過(guò)計(jì)算過(guò)程變量之間的互信息值實(shí)現(xiàn)對(duì)過(guò)程變量分塊,基于觀測(cè)值信息進(jìn)一步對(duì)每個(gè)變量塊提取累計(jì)誤差信息和二階差分信息,實(shí)現(xiàn)了局部和特征信息的分層提取,并采用貝葉斯方法對(duì)每個(gè)子塊的監(jiān)測(cè)結(jié)果進(jìn)行融合。TE過(guò)程的仿真實(shí)驗(yàn)體現(xiàn)了本文方法的有效性和性能,相比于傳統(tǒng)的多塊監(jiān)測(cè)方法能夠獲得更好的監(jiān)測(cè)效果。