类型a：这篇文档报告了一项原创研究。

主要作者与机构
该研究的主要作者包括周哲（Zhe Zhou）、王健（Jian Wang）、杨春杰（Chunjie Yang）、温成龙（Chenglin Wen）和李祖新（Zuxin Li*）。其中，通讯作者李祖新来自湖州学院科学与工程学院（Huzhou College, School of Science and Engineering），其他作者分别隶属于湖州大学工程学院（Huzhou University, School of Engineering）、浙江大学工业控制技术国家重点实验室（Zhejiang University, State Key Laboratory of Industrial Control Technology）以及广东石油化工学院自动化学院（Guangdong University of Petrochemical Technology, School of Automation）。该研究发表于《ACS Omega》期刊，出版时间为2022年。

学术背景
本研究属于工业过程监控领域。随着工业过程的快速发展和复杂性增加，如何从大量的运行数据中提取有价值的信息以实现早期故障检测，成为提高生产安全性和效率的关键问题。传统的主成分分析（Principal Component Analysis, PCA）方法仅能处理低阶统计信息（如均值、方差和协方差），无法有效应对具有强动态性、非线性和非高斯特性的连续过程。为解决这一问题，统计模式分析（Statistics Pattern Analysis, SPA）方法被提出，通过提取高阶统计量（Higher-Order Statistics, HOS）来描述复杂过程特性。然而，SPA提取的统计量通常不服从高斯分布，且存在非线性关系，这使得基于PCA的传统监控方法在实际应用中表现不佳。因此，本研究旨在结合SPA和K近邻算法（K-Nearest Neighbor, KNN），开发一种新的过程监控方法，以克服上述缺陷。

研究流程
该研究主要包括以下步骤：
1. 统计量提取：使用SPA方法从过程数据中提取统计模式（SP），这些统计量包括一阶统计量（FOS，如均值）、二阶统计量（SOS，如方差、相关性、自相关性和互相关性）以及高阶统计量（HOS，如偏度和峰度）。提取过程中，采用滑动窗口技术对原始数据进行分段处理，窗口宽度和滑动步长根据具体过程特性设定。
2. 训练阶段：基于正常操作条件下的训练数据集，计算每个样本的K近邻，并利用欧几里得距离公式（eq 10）确定其距离统计量（eq 11）。随后，通过经验四分位数法（eq 12）计算故障检测的控制限。
3. 在线监控：对于待测样本，首先通过SPA提取其统计量，然后在训练集中找到其K近邻并计算距离统计量。将该统计量与控制限进行比较，若超出控制限则判定为故障样本，否则为正常样本。
4. 故障诊断：当检测到故障时，使用变量贡献KNN（VCKNN）方法确定不同统计量对检测指标的贡献。该方法通过分解距离统计量（eq 23）计算每个统计量的贡献值，并根据贡献值判断故障变量。

研究对象包括数值模拟数据和田纳西伊士曼基准过程（Tennessee Eastman Benchmark Process, TEP）的实际数据。数值模拟部分生成了10,000个训练样本和5,000个验证样本，测试样本则包含500个正常样本和9,500个故障样本。TEP部分则涉及52个监控变量和21种故障模式。实验中采用了SPCA、SKPCA、SKICA和SKNN四种方法进行对比分析。

主要结果
1. 非高斯性和非线性分析：通过负熵（Negative Entropy, NE）定量评估统计量的非高斯性，发现提取的统计量均显著偏离标准正态分布（NE > 10^-3）。此外，使用替代数据法（Surrogate Data Method）检测统计量的非线性，结果表明所有统计量均表现出显著的非线性特征（tr > 1.96）。
2. 故障检测性能：在数值模拟和TEP实验中，SKNN方法的故障检测率（FDR）和误报率（FAR）均优于SPCA、SKPCA和SKICA方法。例如，在TEP实验中，SKNN的平均FDR为89.35%，而SPCA、SKPCA和SKICA分别为61.98%、56.43%和60.86%。
3. 故障诊断能力：SKNN方法能够准确隔离故障变量，且不受故障扩散效应的影响。例如，在TEP的故障7和故障10中，SKNN成功识别出第45个变量的均值和第18个变量的方差为主要故障统计量。相比之下，SPCA方法由于受到故障扩散效应的影响，错误地将许多非故障统计量识别为故障变量。

结论与意义
本研究开发了一种基于SPA和KNN的新过程监控方法（SKNN），能够有效克服传统方法在处理非高斯性和非线性统计量时的局限性。该方法不仅提高了故障检测的准确性，还通过VCKNN方法实现了精准的故障诊断。研究结果表明，SKNN在数值模拟和TEP实验中的性能均优于现有方法，具有重要的科学价值和应用前景。例如，在化工行业中，该方法可用于实时监控复杂工业过程，从而减少停机时间并提高生产安全性。

研究亮点
1. 提出了结合SPA和KNN的新方法，解决了传统PCA方法在处理非高斯性和非线性统计量时的不足。
2. 开发了VCKNN方法，用于故障诊断，避免了故障扩散效应的影响。
3. 验证了SKNN方法在多种工业场景中的优越性能，特别是在早期故障检测和安全报警方面的潜力。

其他重要内容
研究还探讨了窗口宽度对统计量非高斯性的影响，发现窗口宽度越大，统计量的非高斯性越弱。此外，作者指出该方法在处理多模态过程时仍存在一定局限性，未来可通过改进统计量提取策略进一步优化其性能。