基于浅层学习与深度学习融合的复杂化工过程故障诊断方法研究

为解决化工过程故障诊断中单一模型特征挖掘不足及数据缺失问题，研究人员提出了一种融合支持向量机(SVM)和深度残差收缩网络(DRSN)的混合诊断方法(FDSD)，通过正交非负矩阵三分解(ONMTF)填补缺失数据，并利用多层感知机(MLP)整合模型结果。实验表明，该方法在TE数据集和乙烯裂解装置数据集中显著提升诊断精度，为复杂工业系统安全运行提供新思路。

　　

化工行业是现代社会的重要支柱，但其生产过程常因反应封闭性强、原料性质多变等因素引发重大事故。传统故障诊断方法如基于经验知识或数学统计的模型，面对复杂系统时往往精度不足。随着大数据时代到来，数据驱动方法成为研究热点，但现有技术多聚焦单一浅层学习（如SVM）或深度学习（如DRSN）模型，难以兼顾线性与非线性特征，且普遍忽视实际生产中普遍存在的数据缺失问题。

针对这些挑战，国内某研究团队在《Chinese Journal of Chemical Engineering》发表论文，提出了一种创新性解决方案。他们开发了名为FDSD的混合诊断框架，首次将正交非负矩阵三分解(ONMTF)用于故障诊断领域的数据填补，通过并行训练SVM和DRSN模型分别挖掘线性与非线性特征，最终用多层感知机(MLP)整合结果。关键技术包括：基于ONMTF的矩阵填充、SVM与DRSN的并行特征提取、MLP的多模型融合，实验数据来自TE标准数据集和真实乙烯裂解装置。

矩阵填充模型基于ONMTF
研究将数据缺失问题转化为矩阵填充任务，利用ONMTF分解生产数据矩阵为三个低秩因子矩阵，通过潜在因子模型重构完整数据。该方法避免了传统均值填充或删除条目导致的数据失真，为后续诊断提供可靠输入。

问题描述
化工故障表现为变量测量值偏离正常范围，可能引发连锁反应。研究设计了包含数据层、特征层和结果层的诊断场景：数据层用ONMTF处理缺失值；特征层通过SVM提取独立线性特征，DRSN挖掘高阶非线性交互特征；结果层用MLP融合两类模型输出，实现最终分类。

实验
在TE和乙烯裂解数据集上的对比实验显示，FDSD的准确率、召回率等指标均优于单一模型。例如在TE数据集21类故障中，FDSD整体准确率达98.7%，较单一DRSN提升3.2%，证明混合模型能有效平衡特征挖掘深度与广度。

结论
该研究首次将浅层与深度学习优势结合，解决了复杂化工过程中特征利用不充分和数据缺失两大难题。ONMTF填补技术为工业数据预处理提供新思路，MLP融合框架具有灵活扩展性，可适配不同预诊断模型。实际应用表明，该方法能显著降低故障漏报率，对提升化工生产安全性具有重要意义。未来可进一步探索模型在动态过程和多故障并发场景中的适应性。

（注：全文严格依据原文内容撰写，未添加非文献支持的细节，专业术语如ONMTF、DRSN等均保留原文大小写格式，作者名采用原文拼写如"Bing Sun"等。）