面向暂态个案污染下随机监测的鲁棒滚动Hotelling故障检测（Robust Rolling Hotelling Fault Detection for Stochastic Monitoring Under Transient Casewise Contamination）

《Mathematics》：Robust Rolling Hotelling Fault Detection for Stochastic Monitoring Under Transient Casewise Contamination

　　

摘要：Hotelling's T2（Hotelling's T-squared）统计量为多变量故障检测（Fault Detection, FD）提供了可解释的框架；然而其滚动实现（rolling implementation）对参考窗口中的暂态个案离群点（transient casewise outliers）高度敏感。此类异常观测会夸大样本协方差矩阵、扩大监测边界，进而掩盖后续的中等强度故障信号。本研究提出一种鲁棒滚动Hotelling故障检测方法，记为RRH-FD（Robust Rolling Hotelling Fault Detection），以降低此种掩蔽效应（masking effect）。所提方法采用再加权最小协方差行列式（Reweighted Minimum Covariance Determinant, RMCD）估计量计算滚动参考中心与散布矩阵（scatter matrix），而每个新到达的观测值直接作为潜在故障信号进行评估。监测阈值是利用鲁棒Hotelling近似（robust Hotelling approximation）而非经典Hotelling分布获得的。研究人员在洁净及受污染滚动参考情景下进行了仿真研究。在洁净参考窗口下，所提鲁棒流程与经典滚动Hotelling检测器保持竞争力，仅表现出适度的效率损失。在受污染参考窗口下，RRH-FD显著提升了检测性能：自适应RRH-FD方法使平均检测延迟较经典滚动检测器降低约37.6%，固定最小协方差行列式（Minimum Covariance Determinant, MCD）支撑分数（support fraction）0.85版本则降低约42.4%。所提方法还提高了故障发生后前25和50个监测点内的早期检出率。研究人员利用经典样本协方差矩阵与RMCD散布估计值之间的对数行列式比（log-determinant ratio）对边界膨胀（boundary inflation）进行了量化，进一步证实随着经典协方差边界被暂态离群点更强地夸大，RRH-FD的优势愈加明显。研究人员开发了R语言程序包RRHFD以促进实现与结果可复现性。

论文解读：面向暂态个案污染下随机监测的鲁棒滚动Hotelling故障检测（RRH-FD）

一、研究背景与立题依据

在多变量在线过程监控与故障检测（Fault Detection, FD）中，Hotelling's T²统计量因具备明确的统计含义与几何解释而被广泛采用。实际应用中，无故障状态下的均值向量与协方差矩阵常从最近若干时刻构成的"滚动参考窗口（rolling reference window）"中估计，形成经典滚动Hotelling检测器。然而工业现场普遍存在测量尖峰、通信错误、脉冲噪声或短时扰动，这些暂态个案污染（transient casewise contamination）——即滚动窗口内偶尔混入的整体多变量异常观测——会使经典样本均值发生偏移并使样本协方差矩阵行列式增大（边界膨胀，boundary inflation），导致Hotelling监测椭圆被人为拉大和扭曲。后果是后续发生的持续性中等强度故障信号仍落在膨胀后的控制域内，造成检测延迟甚至漏检（掩蔽效应，masking effect）。现有基于卡尔曼滤波或广义似然比（Generalized Likelihood Ratio, GLR）的鲁棒滤波策略虽能增强状态估计阶段对非高斯噪声的稳健性，但未解决滚动参考窗口内暂态离群点对多变量监测边界本身的扭曲问题；数据驱动的分类诊断模型则侧重带标签样本的故障辨识而非阈值型在线残差监控。因此，有必要设计一种能在滚动窗口受暂态个案污染时仍保持稳定的Hotelling型监测边界。

针对上述不足，研究人员提出了鲁棒滚动Hotelling故障检测方法（Robust Rolling Hotelling Fault Detection, RRH-FD），采用再加权最小协方差行列式（Reweighted Minimum Covariance Determinant, RMCD）估计参考窗口的位置与散布矩阵，并结合Willems等人提出的鲁棒Hotelling近似确定阈值，以期在洁净窗口下接近经典检测器性能的同时，在受污染窗口下抑制边界膨胀、减少检测延迟。该论文发表于《Mathematics》。

二、主要关键技术方法

研究人员首先建立暂态个案污染模型：滚动窗口内少数时刻的观测等于无故障观测叠加临时多变量偏移向量。RRH-FD的核心步骤包括：(1)对每一时刻t的滚动参考窗口R_t，执行两阶段RMCD估计——先选取使子集协方差行列式最小的h个样本（MCD初估计），再依鲁棒距离（Robust Distance）进行再加权得到RMCD位置μ?_RMCD与散布矩阵S_RMCD；(2)对新到观测x_t直接计算鲁棒滚动Hotelling统计量T²_RRH(t)=(x_t?μ?_RMCD)^TS_RMCD^?1(x_t?μ?_RMCD)，不对x_t做降权处理以保留故障起始点的灵敏度；(3)阈值通过Willems等提出的矩匹配法将RMCD基Hotelling统计量的分布近似为缩放F分布d·F(p,q)来确定，其中尺度因子d与自由度q由匹配均值和方差获得，亦可通过Monte Carlo校准；(4)提供固定支撑分数（h=?α·w?，α取0.75或0.85）及自适应支撑分数（依据预期暂态尖峰数估算污染比例后取1?估算污染比例并截断于[α_min,α_max]）两种模式；(5)可选确认规则要求最近m个点内至少k次越限方宣布确认故障。仿真研究设置洁净与受污染（注入预故障瞬态尖峰）两类滚动参考场景，变量维数p=4，窗口长度w=50或100，四种故障剖面（阶跃step、振荡oscillatory、渐变gradual、间歇intermittent），以预故障误报率、平均检测延迟（Average Detection Delay, ADD）、早期检出率EDR(H)（H=25,50,100）及边界膨胀比log|Σ_classic|/|S_RMCD|为评价指标，对比经典滚动Hotelling检测器、Liu型离线Hotelling基准及三种RRH-FD变体（固定α=0.75、α=0.85及自适应α）。

三、研究结果

2. Proposed Robust Rolling Hotelling Fault Detection Method（提出鲁棒滚动Hotelling故障检测方法）

研究人员形式化定义了暂态个案污染模型与滚动参考窗口，明确经典滚动Hotelling检测器用样本均值μ?与样本协方差Σ?构造T²_classic(t)=(x_t?μ?)^TΣ?^?1(x_t?μ?)，但在含离群点时μ?与Σ?失真。为此RRH-FD以RMCD估计量(μ?_RMCD, S_RMCD)替代，并给出RMCD两阶段计算流程（MCD初选子集→鲁棒距离再加权）。自适应支撑分数按a=max(α_min, min(α_max, 1?γ·(n_spike/w)))计算（文中取γ=1.5, α_min=0.5, α_max=0.95）。新到观测不参与降权，仅参考边界来自RMCD，阈值依Willems等缩放F近似T_robust,α=(p(n?h+1)/(n?p))·F_p,n?h+1^?1(1?α)/d获取。算法总结了从阈值校准、逐时刻滚动窗口RMCD估计、T²_RRH计算到越限判断与可选确认规则的完整流程。研究人员指出RRH-FD计算量高于经典法（源于MCD子集搜索与迭代），适用于低至中等维残差（p?w），高维情形可结合降维或正则化鲁棒散布估计。

3. Simulation Study（仿真研究）

3.1. Performance Metrics（性能指标）

定义了预故障误报比例PFAR=∑_{t< />0}I(T²(t)>h)/ (t₀?w)、后故障逐点漏检比例PMDR、平均检测延迟ADD= (1/B)∑_b=1^B(t_{first alarm}?t₀)、早期检出率EDR(H)= (1/B)∑I(t_{first alarm}?t₀≤H)，以及边界膨胀度量BI=ln(|Σ_classic|/|S_RMCD|)。

3.2. Clean Rolling Reference Scenarios（洁净滚动参考场景）

在无预故障污染的洁净条件下，各方法预故障误报比例均接近名义水平（经典法0.048，自适应RRH-FD 0.051，固定α=0.85版0.049，固定α=0.75版略高为0.054）。经典滚动Hotelling平均检测延迟最短（ADD=8.21），自适应RRH-FD为9.47（适度效率损失约15%），固定α=0.85版ADD=8.64更接近经典法；早期检出率EDR₂₅与EDR₅₀各方法均接近或略低于经典法（经典EDR₂₅=0.712, EDR₅₀=0.894；自适应RRH-FD为0.658与0.851；固定α=0.85版为0.689与0.873），EDR₁₀₀>0.99无实质差异。不同故障类型与窗口长度（w=50或100）结果趋势一致，长窗口轻微降低各法ADD但不改变相对表现。结论：洁净窗口下RRH-FD与经典滚动Hotelling检测器竞争力相当，仅存可接受微小效率折损。

3.3. Contaminated Rolling Reference Scenarios（受污染滚动参考场景）

在滚动窗口注入暂态预故障尖峰（pre_spikes）后，经典滚动Hotelling检测器ADD升至39.178；自适应RRH-FD降至24.468（相对降低约37.6%），固定α=0.85版ADD=22.558（降低约42.4%），固定α=0.75版ADD=23.104；Liu型离线Hotelling基准ADD=30.488。早期检出率方面，经典法EDR₂₅=0.397、EDR₅₀=0.665，自适应RRH-FD提升至EDR₂₅=0.632（+23.5个百分点）、EDR₅₀=0.863（+19.8个百分点），固定α=0.85版分别为0.651与0.879。代表性轨迹显示经典法因边界膨胀延迟报警（延迟>10步），RRH-FD各版可在故障起始即越限。四种故障剖面上RRH-FD各版ADD均低于经典法。边界膨胀指标BI恒正且随尖峰幅值与窗口长度增大而增大；BI越大，自适应RRH-FD相对于经典法的ADD改善量越大（最大单场景ADD改善约19.4个监测点，EDR₂₅与EDR₅₀分别提升28.1与24.2个百分点），呈正相关趋势。结论：暂态个案污染致经典协方差边界膨胀并恶化检测延迟，RRH-FD通过RMCD鲁棒边界有效缓解掩蔽效应，缩短检测延迟并提高早期检出率，优势随边界膨胀程度加剧而增强。

4. Software Availability（软件可用性）

研究人员发布R包RRHFD（版本0.1.0，GitHub: https://github.com/hsnbulut/RRHFD），提供rrh_calibrate_threshold()阈值校准、rrh_detect()在线监测、rrh_metrics()性能汇总及残差序列仿真函数，附完整仿真复现代码。

四、讨论与结论总结（翻译/浓缩结论部分）

本研究针对滚动参考窗口可能受暂态个案污染在线监测问题，提出了基于再加权最小协方差行列式（RMCD）估计的鲁棒滚动Hotelling故障检测方法（RRH-FD）。经典滚动Hotelling检测器中暂态异常观测会扭曲样本均值与协方差矩阵，引起监测边界膨胀并对后续故障信号产生掩蔽效应；RRH-FD通过对滚动参考窗口采用RMCD位置与散布估计构造监测边界、直接评估新到观测，并结合Willems等的鲁棒Hotelling近似确定阈值，使监测边界对暂态污染不敏感。仿真结果表明：(1)在洁净参考窗口下，RRH-FD与经典滚动Hotelling检测器性能相当，仅有适度效率损失；(2)在受污染参考窗口下，自适应RRH-FD使平均检测延迟较经典法降低约37.6%（固定支撑分数α=0.85版降低约42.4%），并提高故障发生后前25与50个监测点内的早期检出率；(3)边界膨胀比（log|Σ_classic|/|S_RMCD|）在受污染场景下为正值且随污染强度增大，RRH-FD的延迟缩减优势随边界膨胀加剧而更显著，证实了鲁棒边界抑制掩蔽效应的机制。研究人员还开发了RRHFD R包以保障可复现性与实用推广。当前工作聚焦中等维数残差监控，高维扩展可结合正则化鲁棒协方差估计或鲁棒主成分分析（Robust PCA）降维；未来可与线性时变或非线性系统的残差生成器（扩展/无迹卡尔曼滤波等）联合，并研究自适应的MCD支撑分数选取及实际工业数据集验证。