摘要
生物过程的时间监测本质上很复杂，因为过程变量不会随时间独立变化，而且随着反应的进行，这些变量的解释也会发生变化。在许多现有的异常检测方法中，传感器信号是在离散的时间点进行分析的，或者时间特征仅通过模型结构被弱化地反映出来。因此，这些方法难以解释或检测在不同反应状态下出现的异常行为。本研究提出了TPP-TimeNet，这是一个具有时间感知能力的人工智能框架，旨在改进生物过程监测中的异常检测。与传统方法不同，该框架明确将反应时间作为上下文信息纳入考虑。多变量过程信号被重新组织成滑动窗口，这些窗口反映了反应状态的转换，而不是统一的时间分割。每个窗口内的时间行为通过顺序编码模型进行捕获，然后结合反应状态信息形成状态依赖的表示。通过这种设计，模型能够区分在反应时间线上不同位置出现的、形状相似但时间模式不同的情况。这种能力提高了对可能未被检测到的异常事件的敏感度。异常情况是在窗口级别使用固定阈值的概率评分方案进行评估的，从而实现了一致且可复制的决策制定。TPP-TimeNet的性能是通过Kaggle上公开的可用过程控制数据集进行评估的。这些数据集通过对温度、pH值和压力等变量进行生物过程相关的重新解释来使用的。实验结果表明，所提出的方法优于传统的机器学习模型以及仅关注时间特征的深度学习方法，取得了更高的准确性、敏感度和F1分数。这些发现表明，在生物过程监测系统中，明确考虑反应状态对于有效的异常检测至关重要。
