·724· 智能系统学报 第16卷 和1。因此子块4对故障10的敏感程度远远大 6 于其他子块，其表现了良好的监测性能。通过 叶斯推断融合后提升了整体的监测效果，再次验 证了本文所提方法的有效性。 60 40 200 4006008001000 测试样本序号 (d)子块4 200 400 600 8001000 测试样本序号 1.0 (a)PCA-T2 0.8 0.6 20 0.4 200 400600 800 1000 测试样本序号 (b)PCA-SPE 200 400600 800 1000 测试样本序号 12 (e)MI-MBKNN 图8故障10监测结果 Fig.8 Monitoring result of fault 10 12 200 4006008001000 测试样本序号 (c)kNN 6 6 10 20 30 变量序号 3 (a)kNN 14 210 200 400 600 800 1000 测试样本序号 (d)子块4 64 1.0 0.8 2 0.6 10 20 变量序号 0.4 (b)MI-MBkNN 图9变量识别结果 Fig.9 Variables identification results 200 4006008001000 测试样本序号 图11给出了对故障16的诊断结果，可以看 (e)MI-MBKNN 出，相比于kNN,本文方法对故障提供更清晰的 图10故障16监测结果 识别结果，即引起该故障的源变量是变量x18、x9 Fig.10 Monitoring result of fault 16D2 0 200 400 600 800 1 000 1 2 3 4 5 6 7 测试样本序号 (d) 子块 4 0 200 400 600 800 1 000 0.2 0.4 0.6 0.8 1.0 测试样本序号 BICD 2 (e) MI-MBkNN 图 8 故障 10 监测结果 Fig. 8 Monitoring result of fault 10 0 10 20 30 2 4 6 8 10 12 14 变量序号 马氏距离 (a) kNN 0 2 4 6 8 10 12 14 马氏距离 10 20 30 变量序号 (b) MI-MBkNN 图 9 变量识别结果 Fig. 9 Variables identification results x18 x19 图 11 给出了对故障 16 的诊断结果，可以看 出，相比于 kNN，本文方法对故障提供更清晰的 识别结果，即引起该故障的源变量是变量 、 和 x31。因此子块 4 对故障 10 的敏感程度远远大 于其他子块，其表现了良好的监测性能。通过贝 叶斯推断融合后提升了整体的监测效果，再次验 证了本文所提方法的有效性。 200 400 600 800 1 000 0 20 40 60 T 2 200 400 600 800 1 000 0 20 40 SPE 测试样本序号 0 200 400 600 800 1 000 2 4 6 8 10 12 D2 测试样本序号 (c) kNN 测试样本序号 (a) PCA-T 2 (b) PCA-SPE 测试样本序号 0 200 400 600 800 1 000 1 2 3 4 5 6 7 D2 (d) 子块 4 测试样本序号 0 200 400 600 800 1 000 0.2 0.4 0.6 0.8 1.0 BICD 2 (e) MI-MBkNN 图 10 故障 16 监测结果 Fig. 10 Monitoring result of fault 16 ·724· 智 能 系 统 学 报 第 16 卷