With the rapid expansion of the scale of modern industrial processes, more and more machine learning approaches using process variables for process monitoring and alarm analysis. The complex correlation of these variables makes a purely process knowledge-based variable division method unsatisfactory for process monitoring. To address this problem, a distributed process monitoring and abnormity root cause analysis model is built from a data-driven perspective. The proposed hierarchical clustering-based multicorrelation block partial least squares (HCMCB-PLS) divides the whole process into several blocks by using hierarchical clustering (HC), and the maximum information coefficient (MIC) is performed to select the correlation variables between the sub-blocks. PLS is conducted in each sub-block for process monitoring. Besides, a modified contribution-based abnormity root cause analysis strategy is developed, which uses an online distributed contribution analysis method to track the root cause variables. The effectiveness of proposed HCMCB-PLS is validated through a case study on the Tennessee-Eastman process. Comparative simulation results indicate that the HCMCB-PLS methodology outperforms other models in both industrial process monitoring and abnormity root cause analysis.

随着现代工业过程规模的迅速扩大，越来越多的机器学习方法使用过程变量进行过程监控和报警分析。这些变量的复杂相关性使得纯粹基于过程知识的变量划分方法无法满足过程监控。针对这个问题，从数据驱动的角度构建了分布式流程监控和异常根源分析模型。所提出的基于层次聚类的多相关块偏最小二乘法（HCMCB-PLS）利用层次聚类（HC）将整个过程分成若干块，并通过最大信息系数（MIC）来选择子之间的相关变量。块。PLS 在每个子块中进行，用于过程监控。除了，开发了一种改进的基于贡献的异常根本原因分析策略，该策略使用在线分布式贡献分析方法来跟踪根本原因变量。提议的 HCMCB-PLS 的有效性通过对 Tennessee-Eastman 过程的案例研究得到验证。对比仿真结果表明，HCMCB-PLS 方法在工业过程监控和异常根本原因分析方面均优于其他模型。

随着现代工业过程规模的迅速扩大，越来越多的机器学习方法使用过程变量进行过程监控和报警分析。这些变量的复杂相关性使得纯粹基于过程知识的变量划分方法无法满足过程监控。针对这个问题，从数据驱动的角度构建了分布式流程监控和异常根源分析模型。所提出的基于层次聚类的多相关块偏最小二乘法（HCMCB-PLS）利用层次聚类（HC）将整个过程分成若干块，并通过最大信息系数（MIC）来选择子之间的相关变量。块。PLS 在每个子块中进行，用于过程监控。除了，开发了一种改进的基于贡献的异常根本原因分析策略，该策略使用在线分布式贡献分析方法来跟踪根本原因变量。提议的 HCMCB-PLS 的有效性通过对 Tennessee-Eastman 过程的案例研究得到验证。对比仿真结果表明，HCMCB-PLS 方法在工业过程监控和异常根本原因分析方面均优于其他模型。