3. 过程异常诊断的基本方法
过程异常诊断要回答三个层层递进的问题：有没有异常（异常检测）、异常是什么、发生在哪个部件（故障诊断）、为什么会发生（根因分析）。三者不是并列关系，而是从"发现"到"定位"再到"解释"的递进链条。支撑这条链条的方法论主要有三条路线：基于机理、基于数据、基于知识。理解它们的适用边界，比记住定义更重要。
三条方法路线的本质差异
基于机理的方法以物料平衡、能量平衡、反应动力学、传热传质方程为基础，构造解析冗余关系（Analytical Redundancy）。例如对一个换热器，用热平衡式 Q = K·A·ΔTm 与两侧焓平衡式联立，可得到若干"残差"——当设备正常时残差接近零，一旦结垢或旁路泄漏，残差就会偏离。机理法的优点是物理意义明确、可解释性强、无需大量历史数据；缺点是建模成本高，且对未建模动态、参数漂移敏感，容易产生误报。
基于数据的方法不依赖方程，而是从历史运行数据中学习"正常"的统计结构。常用手段包括 PCA/PLS 主元分析、马氏距离、自编码器重构误差、孤立森林等。以 PCA 为例：对正常工况下的 n 个变量做标准化，求协方差矩阵特征值，保留累计贡献率超过 85% 的主元，构造 SPE（平方预测误差）与 T² 两个统计量，并设定 99% 置信限。当 SPE 或 T² 越限，即判定异常。数据法对复杂、非线性、机理不清的过程很有效，但需要足够覆盖各工况的数据，且对工况切换、传感器漂移较敏感。
基于知识的方法把专家经验、操作规程、故障树、因果图、历史报警与处置记录结构化。典型形式是符号有向图（SDG）与故障树（FTA）：节点是变量或设备，边表示"增大/减小"的因果影响方向。当某变量异常时，沿因果路径反向搜索，可得到候选根因集合。知识法可解释、易与操作规程对接，但知识获取困难，覆盖不全时容易漏诊。
异常检测、故障诊断、根因分析的流程与指标
异常检测阶段的核心是残差或统计量的生成与阈值判定。关键指标包括：误报率（FAR）、漏报率（MDR）、检测延迟（从异常发生到报警的时间）、以及 ROC/AUC 综合性能。工程上常要求误报率低于 1 次/班，检测延迟控制在采样周期的 3～5 倍以内。
故障诊断阶段要完成故障隔离，即判断是哪个变量或部件出了问题。常用指标是故障隔离正确率、隔离时间、以及可隔离性（不同故障是否产生可区分的特征方向）。例如 PCA 中，若 SPE 越限而 T² 正常，通常指向传感器或局部扰动；若两者同时越限，则更可能是过程整体偏移。
根因分析阶段要给出因果解释与处置建议。指标包括根因命中率（Top-1/Top-3）、平均定位时间（MTTL）、以及根因排序的合理性。工程实践中，常把数据法给出的异常变量作为起点，再用 SDG 或故障树反向追溯，形成"数据发现—知识解释"的闭环。
如何选择与组合
选择方法路线时，先问三个问题：机理是否清楚、历史数据是否充足且覆盖工况、专家知识是否可结构化。若机理清楚且变量不多，优先机理法，残差物理意义明确，便于操作人员理解；若过程复杂、非线性强、机理难以精确建模，但 DCS 历史数据积累充分，优先数据法；若已有较完善的故障树、操作规程和报警处置记录，知识法可作为根因追溯的骨架。
工程上更常见的是组合使用。一个可落地的做法是：先用机理模型生成关键残差（如换热器热平衡残差、反应器转化率偏差），再对这些残差做 PCA 或指数加权移动平均（EWMA）监控，设定 99% 置信限；当残差越限时，触发 SDG 反向搜索，输出 Top-3 候选根因，并关联到操作规程中的处置步骤。这样既保留了机理的可解释性，又用数据方法降低了误报，还用知识方法补上了"为什么"这一环。
三阶段流程中的关键判断
异常检测阶段要避免"一越限就报警"。工程上常采用持续越限计数（如连续 3 个采样点越限才确认）和死区回差，以抑制噪声引起的误报。故障诊断阶段要关注特征方向：不同故障在残差空间中的投影方向不同，若两个故障方向夹角很小，则难以隔离，需要增加测点或引入新的残差关系。根因分析阶段要区分直接原因与根本原因：例如"泵出口压力低"是直接原因，"入口过滤器堵塞"才是根本原因，SDG 反向搜索正是为了从直接现象追溯到根本原因。
指标方面，检测阶段重点看 FAR、MDR 和检测延迟；诊断阶段重点看隔离正确率和隔离时间；根因阶段重点看 Top-1/Top-3 命中率和平均定位时间（MTTL）。这些指标应在投用后持续统计，并随工况变化定期重新整定阈值，避免"一次整定、长期不管"导致的性能退化。
综上，机理、数据、知识三条路线各有边界，异常检测、故障诊断、根因分析三阶段各有指标。实际工作中，先明确当前要回答的是"有没有""是什么"还是"为什么"，再选择对应的方法组合，才能让诊断结果既准确又可解释、既可执行又可验证。