3. 在线监控基础：定义、类型与关键性能指标
在线监控是工艺验证与故障定位的“眼睛”与“神经”。它通过持续或高频采集过程数据，实时反映工艺状态，为故障诊断提供第一手证据。理解在线监控的定义、分类及其核心量化指标，是构建协同故障定位体系的前提。
3.1 在线监控的定义
在线监控（Online Monitoring）是指在生产或实验过程中，利用传感器、数据采集系统与计算平台，对关键工艺参数（CPP）与关键质量属性（CQA）进行实时、连续或高频的测量、记录与评估。其核心目标是在工艺偏离正常窗口时，立即触发报警或自动调整，从而防止不合格品的产生。
核心特征： 即时性（数据延迟通常在毫秒至秒级）、连续性（覆盖整个生产批次或时段）、自动化（无需人工干预采样与记录）。
3.2 监控类型：实时、近线与离线
根据数据采集与反馈的时效性，工艺监控可分为三种类型。在实际工程中，三者常组合使用，形成“金字塔”式监控体系。
| 类型 | 定义 | 典型延迟 | 应用场景 | 示例 |
|---|---|---|---|---|
| 实时监控 | 数据采集、处理与反馈在极短时间内完成，通常与工艺过程同步。 | < 1 秒 | 关键安全参数、高速灌装、反应釜温度控制 | PAT（过程分析技术）中的在线拉曼光谱 |
| 近线监控 | 样品从生产线取出后，在附近实验室或分析站快速检测，结果用于指导后续批次或调整。 | 几分钟 ~ 1 小时 | 中间体含量检测、片剂硬度抽检 | 离线 HPLC 但放置在生产线旁 |
| 离线监控 | 样品送至中心实验室，经过标准方法检测，结果用于批次放行或趋势回顾。 | 数小时 ~ 数天 | 最终产品放行检测、稳定性考察 | 微生物限度检测、无菌检验 |
工程提示： 在故障定位中，实时监控提供“何时发生”的精确时间戳；近线监控提供“发生了什么”的定性/定量确认；离线监控提供“根本原因”的深度证据。三者缺一不可。
3.3 关键性能指标（KPI）
为了衡量监控系统本身的有效性，以及监控数据对工艺状态的表征能力，需要定义一组关键性能指标。这些 KPI 是故障诊断的量化依据。
3.3.1 监控系统性能 KPI
- 数据可用率（Data Availability, DA）： 系统实际采集到的有效数据点数与理论应采集数据点数的比值。反映传感器与通信链路的可靠性。
- 数据准确度（Data Accuracy）： 测量值与标准值（或参考值）之间的偏差程度。通常用均方根误差（RMSE）或相对误差表示。
- 报警响应时间（Alarm Response Time）： 从工艺参数超出设定限到系统产生报警信号的时间间隔。对于故障定位，该指标直接影响能否捕捉到瞬态异常。
- 误报率（False Alarm Rate, FAR）与漏报率（Missed Alarm Rate, MAR）： 衡量报警系统准确性的核心指标。FAR 过高会导致“狼来了”效应；MAR 过高则意味着监控失效。
3.3.2 工艺状态表征 KPI
- 过程能力指数（Cpk / Ppk）： 衡量工艺输出与规格限的匹配程度。在线监控数据可用于计算动态 Cpk，实时反映工艺稳定性。
- 移动平均与移动极差： 用于平滑噪声，识别趋势性漂移。例如，连续 7 点上升或下降即视为异常模式。
- 多变量统计指标（如 Hotelling T²、SPE/Q 残差）： 当监控多个相关变量时，单变量阈值可能失效。T² 统计量用于检测均值漂移，SPE 用于检测变量间相关结构的破坏。
常见误区： 只关注单变量报警阈值，忽略多变量相关性。例如，温度与压力同时上升但保持线性关系时，工艺可能正常；若两者背离，则预示故障。此时单变量阈值无法报警，而多变量 T² 或 SPE 可以。
3.4 在线监控架构与数据流
下图展示了一个典型的在线监控系统架构，从现场传感器到故障诊断应用的数据流路径。
3.5 在线监控与故障定位的协同关系
在线监控不是孤立的数据记录，而是故障定位的“前哨”。其协同关系体现在以下三个层面：
- 时间同步： 实时监控提供高精度时间戳，使故障事件与工艺参数变化精确对齐，避免“先有鸡还是先有蛋”的争论。
- 模式识别： 通过多变量 KPI（如 T²、SPE）识别异常模式，为故障诊断提供方向性指引（如：是均值漂移还是相关性破坏）。
- 根因追溯： 结合历史监控数据与报警记录，利用故障树或因果图反向追溯，定位到具体的传感器、执行器或工艺步骤。