它的主要思想是通过对长期积累的经验和所遇到过的大量故障进行学习，从而达到发现故障和解决故障的目的。同时对知识也有进行区分，主要分为经验知识和理论知识。经验知识就是指人类在对故障进行分析是产生的数据，和一些有灵感的操作方法；理论知识就是指数据的原理和模型的原理，但是由于机器并不是人类，因此对理论知识的学习需要有清晰的输入和输出关系。两种知识的优缺点也是非常明显的，经验知识具有更好的处理能力，能够对问题进行更快的反应，但是系统会变得复杂，并缺乏完整性，极易漏掉情况，造成需修正的情况，这对于计算机来说并不是一个很好的消息；而理论知识相较经验知识来说有更全面并且获取更加方便，对知识的数据库的构建也更加简单，且不易被改变，但是它的缺点也很明显就是反应速度不够快，需要对知识进行检索和计算，搜索复杂。

由此看来，如果能够将以上的两种知识学习相互结合的话就能够得到更加完美的思考模型。如模糊专家系统就是两种知识的结合而来。

（3）数据驱动的方法

该方法是一种实用性很强的方法。它和上面两种不同的是不需要任何的模型。只需要对采集到的观测数据进行分析就好。运用数据处理和分析方法来挖掘隐藏在数据中的信息，从而引导生产。在1990~2000间，由数据驱动的流程工业过程监控的研究和应用开始慢慢出现和发展。这种方法主要还是运用多变量统计分析的算法。经过这些年的发展之后主元分析、独立元分析、支持向量机等多种方法已经在工业生产中大量应用起来了。

这主要有两部分的原因。一部分原因是在这段时间中大量的DCS、智能仪器和总线技术的快速发展，并且在工业上广泛的运用，使得数据量的急剧膨胀，急需要对这些数据进行系统的处理。这些含有过程控制的数据没有有效的运用起来，出现了“数据丰富，信息贫乏”的现象。比如，对于设备精良的化工厂，经常使用了数百或者数千个测量变量，涵盖了许许多多的数字化的设备信号和警报信息还有一些是关于P和T等的模拟信号。但是对于运营商来说处理的信息是有限的，而且一般不超过7个。经过计算发现如果由人工来对这些数据进行处理的话需要75%的时间来监测信号的走向。还有一部分原因是，随着1990~2000年间工业计算机技术和数据库技术的快速发展，工业过程控制数据分析依托低成本的计算资源和可靠性高的计算机存储技术提供的物质基础进行了大量的处理和发展。理论上，在这段时间里还出现了许许多多有关于数据挖掘理论和算法的报告。就行业方面来说的话，企业的高层也越来越注意到假如将生产过程中记录下来的过程数据转化为有用的且能够提高生产的信息，就能够对生产过程掌握得更加全面还可以将其用于生产教育和产品质保等多个环节。并且一个好的过程控制系统还能够都大量降低人工成本并起到提高公司硬实力的目的。

1.2过程故障检测的研究现状

工业4.0的概念是现在世界上一个非常火热的话题，作为德国2020年高技术战略目标。工业生产的数字化就是工业4.0的一个重要内容。并且这一个方向已经成了提高企业竞争力的一个渠道。这个想法也得到了许多大型公司高层领导的认可。同时，在互联网方向上，也出现了云的概念，其实也是一种对数据的处理，通过对大量数据的解析，做到精准投送、热点处理等。

在本章中，主要讲的是在现代故障检测研究中发现的问题。虽然相对以前来说，故障检测技术已经发展了很多，但是由于生产的复杂性。尤其是对一些大规模的企业来说，包含的数据监测点太多，且数据的线性业更难以确定。因此故障检测技术是远低于市场对数据检测的需求的。