融合自监督对比学习的少样本化工过程故障诊断方法：提升小样本条件下的诊断精度与泛化能力

本文提出融合自监督对比学习（FSSCL）的故障诊断方法，通过特征掩蔽重建模型和SimCLR对比学习框架协同提取样本内外特征，结合动态加权融合策略，在TE过程和焦炉过程小样本（每类约200样本）条件下实现94.52%和90.83%的高诊断精度，为解决化工过程故障数据稀缺下的过拟合问题提供了新思路。

　　

Highlight

本文提出名为"融合自监督对比学习故障诊断（Fusion Self-Supervised Contrastive learning Fault Diagnosis, FSSCL）"的方法，包含三个核心组件：特征掩蔽重建自监督模型、SimCLR模型和特征融合分类器。这些组件需分别通过自监督训练进行预训练，随后进行特征融合。模型流程如图1所示：

工业焦炉过程介绍

焦炉详细工艺流程可参考文献(Hu et al., 2025)。本研究模拟焦炉过程中五类典型故障（Zhu et al., 2025b），详见表1。故障类型包括阶跃型、漂移型和随机故障，均来源于实际操作场景。氧含量对焦炉系统稳定运行至关重要，为真实模拟工业环境...

模型结构对比实验

为确定最优模型结构，在焦炉故障数据集上设置模型架构对比实验，通过调整自监督特征掩蔽重建模型和SimCLR模型中CNN层数与残差收缩块（Residual Shrinkage Block）数量进行优化。表3显示不同结构下模型的诊断准确率，其中"1,1"表示两个模型均使用1层CNN+残差收缩块架构。实验表明...

模型结构对比实验

表9展示不同结构下模型的诊断准确率。"1,1"表示自监督特征掩蔽重建模型使用1层CNN+残差收缩块，SimCLR模型采用相同配置。数据显示，当两个模型均采用2层CNN+残差收缩块时诊断准确率最高，为最优模型结构。

结论

针对复杂工业过程系统安全运行需求，本文深入研究了现代化工系统故障诊断在小样本数据集上面临的挑战。通过提出融合自监督对比学习故障诊断方法，有效解决了化工过程故障数据采集难题。该方法利用少量样本即可实现高精度诊断，显著提升了模型在数据稀缺条件下的泛化能力和鲁棒性。