基于知识与数据融合的复杂工业过程时空协同监测及可信赖故障诊断

《Process Safety and Environmental Protection》：Knowledge-and data-fusion-based spatiotemporal collaborative process monitoring and trustworthy fault diagnosis for complex industrial processes

　　

摘要

随着新一代智能制造技术的快速发展，工业流程正朝着大规模集成化方向演进，其特点表现为多层次交互和多工艺耦合。任何一个子流程中发生的异常都可能导致故障传播，对质量相关的过程监控带来严峻挑战。此外，现有的过程监控方法大多以数据驱动为主，难以实现复杂工业流程中隐性知识与过程数据的深度融合，这可能导致过程建模缺乏可解释性，监控性能下降。为解决上述问题，本文提出了一种面向复杂工业流程的知识-数据融合时空协同监控与可信故障诊断方案。首先，提出了一种时空协同神经网络，并利用高层工艺参数构建过程知识图谱，通过知识-数据融合机制实现知识与数据的深度融合，从融合特征中提取质量相关特征以实现过程监控。其次，将贝叶斯深度学习引入模型，以处理实际工业场景中的分布外（OOD）样本，赋予模型识别OOD样本和量化诊断结果不确定性的能力。最后，设计了一种不确定性反馈机制，用于校准分布内样本的置信度，从而实现可信故障诊断。利用多组实际工业数据验证了所提方法的性能，结果表明，该方案在复杂工业流程监控和可信故障诊断方面展现出优越的有效性和鲁棒性。

引言

在智能制造和工业大数据需求的驱动下，信息技术、人工智能与工业生产的融合日益紧密。工业生产安全和产品质量稳定性受到高度关注，使得质量相关的过程监控和故障诊断成为突出的研究焦点（Liu等，2024；Zhang等，2024）。

随着工业互联网技术的发展，能够反映工业流程运行状态的海量数据可以被高效采集。数据驱动的过程监控和故障诊断方法已成为主流（Amin等，2021；Qin等，2025）。偏最小二乘法（PLS）和主成分分析是广泛使用的传统数据驱动方法。为了处理过程动态性，基于扩展矩阵、状态空间模型和时间序列相关分析的质量相关动态过程监控方法被相继提出（Dong等，2021；Yao等，2022；Zheng等，2022）。与此同时，基于核函数和流形学习的非线性方法也被广泛应用于非线性质量相关故障诊断（Zheng等，2025；Alauddin等，2023）。与多变量统计方法相比，深度学习方法在提取深层非线性特征方面展现出更优越的能力。变分自编码器、胶囊网络和Transformer等深度学习模型在过程监控方面取得了显著进展（Zeng等，2025；Li等，2024；Zhou等，2025）。近年来，基于时空特征提取的过程监控方法成为研究热点（Duan等，2025；Jiang等，2024），其中空间特征由卷积神经网络提取，时序特征通过循环神经网络的递归机制提取（Fu等，2025）。近期，实现时空协同已成为复杂工业流程过程监控的前沿趋势和基本要求（Feng等，2026）。为有效捕捉复杂的多变量交互和时序动态，研究人员开发了多种先进的时空协同架构。Zeng等提出了一种结合卷积和递归机制的综合框架，用于从集成多变量时间序列中提取时空特征以实现设备故障诊断（Zeng等，2026）。Xu等提出了一种时频全连接图神经网络，用于提取多源机器故障诊断的多尺度时空依赖关系（Xu等，2026）。虽然上述数据驱动的时空协同方法在建模复杂系统依赖关系方面取得了显著成功，但它们主要依赖统计分布，在融入显式物理规律方面仍面临关键挑战，这进一步凸显了探索深度知识-数据融合方法论的紧迫性。

随着工业技术的演进，知识在工业生产中的指导作用日益关键，知识-数据融合方法逐渐成为一种重要的研究趋势（Zhang等，2025；Peng等，2024）。现有研究大多基于先验知识对工业流程进行分区。结合过程监控和故障诊断的需求，将工业流程划分为若干相对独立的监控单元，然后利用过程数据实现过程监控（Lu等，2025；Guo等，2023）。Fang等提出了一种知识引导的师生模型，在先验知识引入教师模型以提升过程监控性能（Fang等，2023）。Dong等开发了一种知识-数据集成因果图，用于故障检测和故障诊断（Dong等，2024）。Han等提出了一种知识增强的图神经网络，用于高炉过程的故障诊断（Han等，2022）。尽管上述方法利用了机理知识，但其中大多数仅限于利用知识对流程进行物理分区，缺乏将机理知识与深度学习模型深度融合的机制。因此，知识-数据深度融合仍需进一步研究。此外，分布漂移在工程实践中普遍存在，因此量化诊断结果的不确定性并识别分布外（OOD）样本尤为必要。

传统深度学习方法通常利用训练数据构建具有固定参数的诊断模型，对不确定性的量化和不确定性组成的分析讨论有限（Zhou等，2022）。例如，模型可能利用有限类别的正常数据和故障数据进行训练。当未知故障发生时，模型可能将其错误分类为正常或已知故障类别之一，并且无法对预测的低可靠性发出警报，这可能会误导工程师采取错误操作。近年来，一些研究针对这一问题，利用贝叶斯深度学习和集成学习实现不确定性量化。Zhou等开发了一种具有证据理论的卷积神经网络，能够实现带预测不确定性估计的故障分类，并可识别潜在的OOD样本（Zhou等，2023）。Xiao等通过贝叶斯变分学习将不确定性引入注意力权重，构建了概率贝叶斯Transformer（Xiao等，2023）。Feng等构建了一种分层贝叶斯深度神经网络，用于识别具有高预测不确定性的错误分类样本和OOD样本（Feng等，2024）。Xiao等提出了一种不确定性感知的变分注意力网络，能够有效监控OOD样本（Xiao等，2025）。这些考虑预测不确定性的可信故障诊断方法主要聚焦于识别OOD样本（即分布与训练数据不同的测试样本），而忽视了分布内（ID）样本（即服从相同分布的测试样本）的置信度校准，这显著限制了推断的准确性和决策的可信度。

为解决上述问题，本文提出了一种面向复杂工业流程的知识-数据融合时空协同过程监控与可信故障诊断方案。首先，提出时空协同神经网络（STCNN）以实现时空协同特征提取。其次，设计了一种基于门控机制的知识-数据融合单元，将隐性知识与时空特征进行整合；随后，基于融合特征构建统计量以实现质量相关的过程监控。最后，考虑工业流程故障诊断固有的高不确定性，设计了一种不确定性反馈机制以促进ID样本的诊断置信度校准，从而实现可信故障诊断。主要贡献总结如下：

（1）提出了一种新颖的时空协同模型。具体而言，通过将图算子嵌入时序模型构建了STCNN，从而实现了时空特征提取。

（2）设计了一种基于门控机制的知识-数据融合单元，使隐性知识的向量表示能够与动态时空数据特征深度融合。

（3）设计了一种不确定性反馈机制，将ID样本的不确定性纳入目标函数，实现对ID样本的置信度校准，提高诊断准确性。

本文其余部分组织如下。第2节介绍了贝叶斯深度学习和知识图谱的基本思想。第3节深入阐述了所提出的过程监控和可信故障诊断方案。第4节通过实际热轧带钢轧制工艺（HSMP）验证了所设计方案的有效性。最后，第5节总结了结论。

2. 贝叶斯深度学习

传统神经网络通过优化损失函数来寻找最优模型参数，其中权重和偏置被约束为点估计，对任何输入产生确定性输出。在贝叶斯深度学习中，不是对参数提供点估计，而是求解所有参数的后验概率分布，从而使模型能够感知不确定性。通常采用贝叶斯定理来寻找后验分布（Lai等，2025）：

p(w|D) = p(D|w)p(w) / p(D)

其中，p(w)为先验分布，p(D|w)为似然函数，p(D)为证据，p(w|D)为后验分布。

3. 方法论

本节详细介绍了所提出的质量相关过程监控和可信故障诊断方案，包括时空协同特征提取、知识-数据融合、不确定性量化和不确定性反馈机制。整体框架如图1所示。

3.1 过程描述

HSMP是钢铁生产中的关键工艺。随着工业技术的发展，HSMP通常配备多级集成控制系统。轧机区（FMP）是整个HSMP的核心，通常由七个串联机座组成，构成了决定产品质量的关键单元。在FMP中，3级（L3）提供生产调度信息，2级（L2）主要执行FMP工艺参数的优化和设定以及模型计算，而

5. 结论

针对复杂工业流程中知识-数据融合表征和故障诊断高不确定性的挑战，本文提出了一种基于知识-数据融合表征的性能监控和可信故障诊断方案。首先，提出STCNN进行时空协同特征提取。此外，引入知识-数据融合机制将隐性知识整合到时空特征中，从中提取质量相关特征

CRediT作者贡献声明

Jiangxiao Wu：撰写——初稿，验证，软件，方法论。Jie Dong：撰写——审阅与编辑。Kaixiang Peng：撰写——审阅与编辑，资金支持。

利益冲突声明

作者声明不存在可能影响本文工作的已知经济利益冲突或个人关系。

致谢

本研究得到国家自然科学基金（NSFC）（62373040，62273031）资助。

Jiangxiao Wu | Jie Dong | Kaixiang Peng