基于多标签域自适应的FCC沉降器催化剂损失过程中未见复合故障识别方法

本文提出一种多标签域自适应（MLDA）方法，用于流化催化裂化（FCC）沉降器中未见复合故障的识别。该方法融合卷积滤波与掩码Transformer（Masked Transformer）进行判别性特征提取与动态掩码，结合联合几何与统计对齐（JGSA）实现源域与目标域的协同迁移，并采用伪标签策略自动标注目标域样本。实验表明，该方法在复杂故障诊断场景中具有优异的准确性与鲁棒性。

　　

Highlight

本研究所提出的多标签域自适应（MLDA）方法在FCC沉降器催化剂损失故障诊断中展现出卓越的跨域识别能力与鲁棒性，为复杂工业场景下的复合故障智能诊断提供了新思路。

Proposed methodology

该模型包含三大核心模块：（1）基于故障关联标签扩展的多标签学习机制，用于丰富标签信息；（2）融合卷积与Transformer的故障识别模型，增强局部特征表示与故障演化建模能力；（3）基于联合几何与统计对齐（JGSA）的域适应策略，结合伪标签引导优化，实现跨域特征对齐。下文将详细介绍上述概念的详细原理，整体框架如图1所示。

Data pre-processing and training

正常运行数据来源于2022–2023年采集的实际工业数据，故障状态数据则基于实际工业项目开发的仿真模型。FCC沉降器系统的故障模拟详见附录A与B，涵盖多种单一与复合型催化剂损失故障。共构建六种不同工况数据集（表1），每类包含9000个训练样本（每类1500样本）与900个测试样本（每类150样本）。

Task 1: Cross-location recognition

为评估模型在FCC沉降器内部不同空间位置发生同一类故障的现实场景下的泛化能力，任务1被设计为跨三个故障位置域的无监督域适应任务。故障类型、对应位置与仿真设置的详细说明参见附录图A3与表A4。图8展示了MLDA模型在迁移任务 T_1→2 与 T_1→3 上的混淆矩阵。

Conclusion

本文提出了一种用于FCC沉降器催化剂损失过程中未见复合故障识别的多标签无监督域适应方法。MLDA的核心在于通过从未标注目标数据生成可靠伪标签，实现JGSA域适应与复合故障识别模型的同步优化。此外，多标签学习基于故障类型间的内在关系构建多维标签表示，同时……