LSTM-iRealNVP：通过改进的RealNVP流模型和无故障样本实现更高效的工业过程监控

《Canadian Journal of Chemical Engineering》：LSTM-iRealNVP: Enhanced industrial process monitoring via improved RealNVP flow models and fault-free samples

工业过程监控中，深度自编码器存在隐变量空间无约束、表征不连续且噪声敏感问题。本文提出LSTM-iRealNVP框架，通过三方面创新：1）采用iRealNVP数学严谨的逆可积块，引入显式高斯先验约束隐变量；2）混合编码器融合LSTM时序特征与iRealNVP正则化层，同步捕捉非线性时序依赖和光滑隐空间分布；3）基于精确对数似然的异常评分，结合自适应阈值提升鲁棒性。在Tennessee Eastman和污水处理厂两个工业基准测试中，该模型分别达到82.41%检测率/3.06%误报率和99.75%检测率/0.8%误报率，显著优于现有方法。

　　

摘要

工业过程监控是实现安全、高质量和盈利生产的基石。在过去十年中，深度自编码器已成为从高维传感器数据流中提取潜在表示的流行工具。然而，每种自编码器最终仅学习到数据的“数值影子”，将潜在变量分散在无约束的空间中。由此产生的表示结果不规则、不连续，并且对噪声非常敏感。为了解决这些问题，我们提出了LSTM-iRealNVP——一个创新的归一化流框架，其中集成了时间特征提取模块。我们的解决方案引入了三个关键改进：(1) 一个数学上严谨的可逆模块iRealNVP取代了传统的自编码器。通过双射变换强制施加高斯先验，它确保了对潜在变量的约束。(2) 混合编码器将LSTM动态与iRealNVP层相结合，同时捕捉非线性时间依赖关系，并将潜在空间规范为平滑的单峰分布。(3) 直接从精确对数似然中得出的异常评分采用自适应阈值，在不同操作模式下仍具有鲁棒性。在两个工业基准测试上的广泛验证证实了这些改进的变革性影响。在田纳西东曼工厂的测试中，LSTM-iRealNVP的检测率达到了82.41%，同时将误报率降低到了3.06%。在一个全规模的污水处理厂中，该方法实现了接近完美的99.75%检测率，误报率仅为0.8%，优于现有的最先进监测系统。这些结果表明，基于原理的、由似然驱动的表示方法可以同时提高检测灵敏度和运行稳定性，为工业异常检测树立了新的性能标杆。