工業(yè)系統(tǒng)的數(shù)據(jù)采集過程中往往不可避免的會有數(shù)據(jù)遺失的現(xiàn)象， 數(shù)據(jù)遺失不僅影響過程監(jiān)控的效果甚至?xí)?dǎo)致無法執(zhí)行過程監(jiān)控。在連續(xù)過程的分析中，數(shù)據(jù)會因傳感器的故障或者定期的離線維護(hù)而遺失; 各種的設(shè)備故障或者響應(yīng)超過設(shè)備可探測范圍，會引起數(shù)據(jù)的遺失，這些數(shù)據(jù)的遺失是隨機(jī)的。還有些情況數(shù)據(jù)的遺失是規(guī)則的， 最常見的情況就是傳感器的采樣周期不同造成的數(shù)據(jù)遺失。數(shù)據(jù)重構(gòu)不僅用于過程監(jiān)控中一些監(jiān)控指標(biāo)的確立上，還可用于建立過程的統(tǒng)計模型，從而預(yù)測過程趨勢或產(chǎn)品產(chǎn)、質(zhì)量等。大部分連續(xù)系統(tǒng)的數(shù)據(jù)分析過程不允許遺失數(shù)據(jù)的存在， 因此需要重構(gòu)數(shù)據(jù)。重構(gòu)方法很多，目前最常用的是主元分析法 （Principal Component Analysis， PCA）進(jìn)行數(shù)據(jù)重構(gòu)，在主元分析中， 評價當(dāng)前采樣數(shù)據(jù)是否符合主元模型的指標(biāo)為平方預(yù)測誤差（Squared Prediction Error， SPE），該指標(biāo)量測的是變量之間的相關(guān)關(guān)系。通過建立正常數(shù)據(jù)的 PCA 模型，然后將當(dāng)前含遺失數(shù)據(jù)的采樣數(shù)據(jù)代入該模型并計算出 SPE 的表達(dá)式， 在保證 SPE 值最小的情況下， 也就是保證變量之間相關(guān)關(guān)系盡量不變的前提下，實現(xiàn)了由正常的數(shù)據(jù)重構(gòu)遺失數(shù)據(jù)。但是這種方法應(yīng)用的前提是不考慮變量間的自相關(guān)性， 而實際工業(yè)過程大都含有強(qiáng)自相關(guān)。本文針對近年來統(tǒng)計過程監(jiān)控領(lǐng)域中出現(xiàn)的能解決自相關(guān)問題的規(guī)范變量分析法 （Canonical Variate Analysis， CVA） 進(jìn)行過程故障診斷的需要， 提出了基于 SPE 指標(biāo)的 CVA 數(shù)據(jù)重構(gòu)方法，并將其應(yīng)用于一實際的化工吸附分離過程，考慮到此化工過程存在反饋環(huán)節(jié)，變量間既存在互相關(guān)，同一變量也存在自相關(guān)，運(yùn)用 CVA 進(jìn)行遺失數(shù)據(jù)重構(gòu)，取得了比 PCA 方法更好的重構(gòu)效果，開拓了遺失數(shù)據(jù)處理的思路。