基于零样本学习增强慢特征分析的语义感知工业过程故障检测方法

本文提出一种零样本学习（ZSL）增强的慢特征分析（SFA）方法（ZSL-SFA），通过引入故障语义描述作为先验知识，构建双模型协同监控框架，有效提升工业过程故障检测灵敏度。该方法无需故障样本标签，通过贝叶斯融合策略整合主辅模型监测结果，在田纳西-伊斯曼过程仿真中显著优于传统SFA。

　　

Highlight

本研究创新性地将零样本学习（Zero-Shot Learning, ZSL）范式与慢特征分析（Slow Feature Analysis, SFA）相结合，构建了语义感知的工业过程故障检测框架。通过故障属性描述的语义编码机制，实现了在无故障样本条件下的知识迁移与增强检测。

Method framework

尽管SFA在故障检测中表现优异，但其无监督特性忽略了两大关键问题：一是可用先验知识（即全面可靠的故障语义描述）未被整合，二是如何从先验知识中提取本质故障特征。本研究通过将SFA与属性语义编码相结合，构建了ZSL-SFA的双模型协同监控体系：主模型基于正常数据捕捉过程动态特性，辅模型通过概率属性学习器自适应提取故障属性描述中的语义信息，借助相似性分析实现有效的故障知识迁移。

Experimental simulation

为验证算法有效性，我们采用广泛认可的田纳西-伊斯曼（Tennessee-Eastman, TE）过程基准平台。该过程由伊斯曼化学公司开发，能够模拟真实化工生产系统，生成具有时变动态、强耦合和非线性特征的数据（Cao等, 2024; Vosloo等, 2025）。这些特性使TE过程成为故障检测方法评估的标准平台。

Conclusion

本文针对SFA作为无监督方法无法实现有监督故障检测的问题，提出了一种零样本学习增强的SFA方法，以故障属性描述作为辅助知识源来增强工业过程故障检测能力。该方法集成了辅助模型构建、属性描述特征提取和主辅模型融合三大核心组件，通过结合实时监测与先验知识实现全面故障检测。