Multimode process monitoring has attracted much attention in academia and industry in past decades. Generally, all the measured variables are involved to monitor a process. However, irrelevant variables may degrade the monitoring performance due to over-fitting, and increase the online computational complexity excessively. In order to monitor the faults possibly affecting the operational safety and product quality, it is important to select appropriate monitored variables that are closely related to these faults. This paper explores the problem of multimode process monitoring with variable selection. A novel algorithm based on the Kullback-Leibler divergence is proposed for variable selection in multimode processes, which effectively selects the most informative variables about the concerned faults. Then, the one-step Viterbi algorithm with low computational complexity is developed to implement online mode identification, which utilizes both spatial characteristics and temporal correlations to identify operating modes accurately. By introducing the moving window technique, a new detection index, i.e. moving window-negative log likelihood probability (MWNLLP), is proposed to capture the dependency of samples and further improve the detection performance for the concerned faults. A numerical example and the Tennessee Eastman process (TEP) are adopted to demonstrate the effectiveness of the proposed method. Specifically, MWNLLP can effectively detect the fault 3 in TEP with a detection rate over 95%.

在过去的几十年中，多模式过程监控已引起学术界和工业界的广泛关注。通常，所有测得的变量都涉及到监视过程。但是，不相关的变量可能会因过度拟合而降低监视性能，并过度增加在线计算复杂性。为了监视可能影响操作安全和产品质量的故障，重要的是选择与这些故障密切相关的合适的监视变量。本文探讨了带有变量选择的多模式过程监控问题。针对多模式过程中的变量选择问题，提出了一种基于Kullback-Leibler散度的新颖算法，可以有效地选择出与故障相关的信息量最大的变量。然后，开发了一种计算复杂度较低的一步式维特比算法来实现在线模式识别，该模式同时利用空间特征和时间相关性来准确识别操作模式。通过引入移动窗口技术，提出了一种新的检测指标，即移动窗口负对数似然概率（MWNLLP），以捕获样本的依赖性，并进一步提高对相关故障的检测性能。通过数值算例和田纳西州伊斯曼过程（TEP）证明了该方法的有效性。具体而言，MWNLLP可以以95％以上的检测率有效地检测TEP中的故障3。利用空间特征和时间相关性来准确识别操作模式。通过引入移动窗口技术，提出了一种新的检测指标，即移动窗口负对数似然概率（MWNLLP），以捕获样本的依赖性，并进一步提高对相关故障的检测性能。通过数值算例和田纳西州伊斯曼过程（TEP）证明了该方法的有效性。具体而言，MWNLLP可以以95％以上的检测率有效地检测TEP中的故障3。利用空间特征和时间相关性来准确识别操作模式。通过引入移动窗口技术，提出了一种新的检测指标，即移动窗口负对数似然概率（MWNLLP），以捕获样本的依赖性，并进一步提高对相关故障的检测性能。通过数值算例和田纳西州伊斯曼过程（TEP）证明了该方法的有效性。具体而言，MWNLLP可以以95％以上的检测率有效地检测TEP中的故障3。提出了捕获样本的相关性并进一步提高对相关故障的检测性能的建议。通过数值算例和田纳西州伊斯曼过程（TEP）证明了该方法的有效性。具体而言，MWNLLP可以以95％以上的检测率有效地检测TEP中的故障3。提出了捕获样本的相关性并进一步提高对相关故障的检测性能的建议。通过数值算例和田纳西州伊斯曼过程（TEP）证明了该方法的有效性。具体而言，MWNLLP可以以95％以上的检测率有效地检测TEP中的故障3。