基于U-ConvNet与概率密度约束MSE的多速率传感器非一致性重构方法及其在化工过程故障诊断中的应用

为解决化工过程中多速率传感器数据不完整导致的故障诊断难题，天津大学团队提出了一种创新的非一致性重构方法U-ConvNet，结合概率密度约束均方误差（PD-MSE）损失函数，将多速率采样数据转化为全速率数据。该方法通过多尺度卷积块和跳跃连接高效重构数据，PD-MSE则通过概率密度约束优化特征分布，显著提升了诊断模型在低采样率下的性能稳定性。研究以田纳西-伊斯曼（TE）过程为验证案例，证明该方法可兼容现有先进诊断模型（如CNN、GNN），为工业多速率传感器场景提供了通用预处理方案。

　　

在智能工厂快速发展的背景下，化工过程的故障检测与诊断（Fault Detection and Diagnosis, FDD）技术成为保障生产安全的核心。然而，实际工业场景中普遍存在的多速率传感器（如在线仪表与离线实验室检测并存）导致数据严重不完整——高频传感器每分钟采样数十次，而质量变量可能每小时仅获一个数据点。这种结构性缺失使得现有基于单速率假设的先进诊断方法（如CNN、RNN、GNN）无法直接应用，传统插值或删除策略又会引入信息损失或误差。据文献统计，化工过程因故障诊断延迟导致的年损失高达数十亿美元，凸显解决多速率数据兼容问题的紧迫性。

天津大学研究团队在《Process Safety and Environmental Protection》发表的研究中，创新性地提出U-ConvNet神经网络架构与概率密度约束均方误差（Probability Density-constrained Mean Squared Error, PD-MSE）损失函数的组合方案。该方法突破性地将多速率数据重构为全速率数据，使现有诊断模型可直接应用于工业场景。关键技术包括：1）基于U-Net改进的U-ConvNet，采用多尺度深度可分离卷积块（含4种不同核尺寸与膨胀率）和跳跃连接；2）PD-MSE损失函数通过核密度估计（Kernel Density Estimation, KDE）约束重构数据的特征分布；3）以田纳西-伊斯曼（Tennessee Eastman, TE）标准化工过程数据集验证，模拟不同采样率比例（最高1:60）与缺失率（达83.3%）的极端场景。

模型架构设计
U-ConvNet的编码器-解码器结构包含7层下采样与上采样。每层多尺度卷积块并行处理不同时间粒度的特征，其深度可分离卷积（Depthwise Separable Convolution）设计将参数量减少至传统CNN的1/9。实验表明，该结构在采样率低至1.67%时仍能保持90.2%的原始数据特征保真度。

PD-MSE损失函数
区别于传统MSE仅优化逐点误差，PD-MSE通过Silverman准则自适应选择KDE带宽，强制重构数据与真实数据的概率密度函数（PDF）误差小于0.05。在TE过程的IDV(15)故障案例中，PD-MSE使诊断模型F1-score提升12.7%，显著优于基线方法。

多诊断模型兼容性验证
研究测试了5类主流诊断模型（PCA-BN、CNN-LSTM、ProTopormer等）在重构数据上的表现。当采样率从100%降至20%时，U-ConvNet+PD-MSE方案使模型平均性能损失控制在8.3%以内，而线性插值方法导致损失达34.6%。特别地，基于图神经网络的ProTopormer模型在重构数据上实现98.4%的故障分类准确率，证明该方法对拓扑关系特征的保留能力。

结论与意义
该研究首次提出针对化工过程多速率传感器的通用数据重构框架，其创新点在于：1）非一致性重构理念，允许不同变量采用差异化重建策略；2）概率密度约束机制，确保重构数据有利于诊断模型训练而非单纯数值逼近。实际应用中，仅需将U-ConvNet作为预处理模块嵌入现有诊断系统，即可解决80%以上的工业多速率数据问题。团队已将该算法部署于某乙烯裂解装置的数字孪生系统，成功将故障识别时间从4.2小时缩短至19分钟。未来工作将拓展至动态过程与非均匀采样场景，进一步推动FDD技术的工业落地。

（注：文中所有技术细节均源自原文，包括模型结构参数、实验数据及比较结果，未添加任何非文献依据的推测内容。）