1. 连续制造过程与异常检测概述

连续制造（Continuous Manufacturing, CM）是指原料持续投入、物料在设备间连续流动、产品连续输出的生产方式。与批式生产“投料—反应—出料—检验”的离散节奏不同，连续制造中物料始终处于动态流动状态，任何一个环节的温度、流量、压力或浓度偏移，都会沿物料流向下游传播，最终影响产品质量。因此，连续制造的核心问题不是“某一批是否合格”，而是“当前这一时刻的过程是否处于受控状态”。

典型工业场景主要有三类。化工过程如连续重整、乙烯裂解、聚合反应，物料在反应器、换热器、分离塔之间连续流动，关键变量是温度、压力、流量与组分浓度。制药过程如连续湿法制粒、连续混合、连续压片，关注的是混合均匀度、含量均匀度与关键质量属性（CQA），监管上还要求过程分析技术（PAT）提供实时证据。能源过程如燃气轮机燃烧、锅炉给水、电网负荷调节，强调快速响应与安全边界，异常往往以秒级尺度出现。三类场景的共同点是：过程变量多、耦合强、噪声大，且异常早期信号微弱。

异常检测与状态诊断的目标可以拆成两层。第一层是检测：判断当前过程是否偏离正常工况，回答“有没有问题”。第二层是诊断：定位异常来源、判断异常类型与严重程度，回答“问题在哪里、有多严重、会不会继续恶化”。检测追求灵敏与及时，诊断追求准确与可解释，二者共同支撑从“报警”到“处置”的闭环。

实际落地时面临的挑战主要有四点。其一是正常工况本身在漂移：催化剂老化、换热器结垢、原料批次差异都会让“正常”缓慢移动，固定阈值很快失效。其二是异常样本稀缺：故障往往几年才发生一次，无法用大量标注数据训练分类器。其三是变量强耦合：温度升高可能同时引起压力与转化率变化，单变量越限容易漏报或误报。其四是误报代价高：频繁误报会让操作员关闭报警，真正异常反而被淹没。因此，连续制造的异常检测通常不追求“单点最优”，而是追求在可接受误报率下的高检出率与可解释性。

整体技术框架可以按“数据—特征—模型—决策”四层理解。数据层完成传感器采集、时间对齐与清洗；特征层提取统计量、频域特征与过程动态特征；模型层建立正常工况基线并计算偏离度；决策层结合工艺知识与报警管理给出处置建议。下面这张图给出该框架的结构与数据流向。

以某连续聚合反应器为例说明实际做法。假设正常工况下反应器温度、进料流量、压力三个变量以1 s周期采集，取60 s滑动窗口计算均值与标准差。用正常工况的2000个窗口训练PCA模型，保留2个主成分，得到SPE统计量的99%分位数作为控制限，示例中该限值约为4.8。运行时若某窗口SPE升至7.2，且连续5个窗口均超过4.8，则触发报警。此时查看贡献图，若发现温度变量贡献最大，可初步判断为反应器热平衡异常，再结合压力是否同步上升区分是进料波动还是冷却能力下降。这一过程体现了“检测—诊断—定位”的递进关系。

需要强调的是，连续制造的异常检测不是纯算法问题。工艺知识决定了哪些变量值得关注、哪些偏离可以忽略、报警后应优先检查什么。数据驱动模型负责发现“与历史正常模式不一致”的模式，工艺人员负责解释这种不一致的物理含义。二者结合，才能把统计上的异常转化为可执行的处置动作，形成从监测到诊断再到操作的完整闭环。