摘要：为提高基于非负矩阵分解(NMF)的故障检测性能，提出了基于全局-局部结构保持的鲁棒非负矩阵分解(RNMF-GLSP)故障检测方法。通过结合图拉普拉斯算子揭示数据局部几何结构，引入联合稀疏性约束增强模型的鲁棒性与可解释性，并利用低秩表示学习挖掘数据的全局结构信息。基于乘法器交替方向法构建优化算法，有效解决了相关优化问题。采用故障检测率(FDR)和故障误报率(FAR)作为评价指标，并利用核密度估计(KDE)确定控制限。实验结果表明，相较于传统的多元统计过程监测(MSPM)方法，所提方法在Tennessee Eastman过程故障检测具有显著优势，验证了其有效性与实用性。
文章目录
0 引 言
1 相关工作
1.1 非负矩阵分解
1.2 低秩表示学习
1.3 结构化联合稀疏非负矩阵分解
2 全局-局部结构保持的鲁棒非负矩阵分解
2.1 模型设计
2.2 模型优化
3 基于RNMF-GLSP的故障检测策略
3.1 检测指标
3.2 控制限
3.3 故障检测过程
4 仿真实验
4.1 TE数据集
4.2评价指标
4.3参数设定
4.4结果分析
5 结 论
