《Scientific Data》：Batch Distillation Data for Developing Machine Learning Anomaly Detection Methods
编辑推荐：
机器学习（ML）在化工过程异常检测（AD）领域潜力巨大，但其方法开发受限于公开实验数据的匮乏。为此，研究者搭建了实验室规模的批式蒸馏装置，运行产生了一个覆盖正常运行与故意诱发异常的广泛实验数据集，用于训练先进的ML-AD方法。该数据集包含多传感器时间序列、测量不确定性评估，以及在线核磁共振（NMR）谱浓度、视频音频等非常规数据，并附有基于所构建本体的专家标注。此数据集为开发先进、可解释的ML-AD方法铺平了道路。
在现代化工生产中，确保过程安全、稳定和高效运行是重中之重。然而，生产过程中的异常情况，如设备故障、操作失误或原料波动，可能导致严重的安全事故、产品质量下降和巨大的经济损失。传统的异常检测方法往往依赖于固定阈值或基于物理原理的模型，难以应对复杂、多变的工业过程。近年来，机器学习（Machine Learning, ML）技术凭借其强大的数据驱动建模能力，在过程监控和异常检测（Anomaly Detection, AD）领域展现出巨大潜力。理论上，ML模型能够从海量的传感器历史数据中学习正常操作模式，并识别出微妙的、前所未见的异常模式，从而实现早期预警和精准诊断。这为解决传统方法的瓶颈带来了新希望。
但理想很丰满，现实却很骨感。尽管ML前景广阔，其在化工过程异常检测中的实际发展和应用却面临着一个根本性障碍：数据的稀缺性，特别是高质量、公开可用的实验数据集。现有公开数据集多来自仿真或有限的工业历史数据，它们要么缺乏真实的物理过程复杂性，要么在异常类型覆盖、工况多样性以及数据维度（如缺乏非常规数据源）上存在不足。没有足够丰富和真实的“燃料”，再先进的ML算法引擎也难以启动和优化。这种数据鸿沟严重阻碍了ML-AD新方法的开发、验证和比较，也限制了可解释性（Explainable AI, XAI）和异常缓解等高级研究方向的发展。为了给这片亟待开垦的研究领域“开源引水”，一组研究人员开展了一项务实而创新的工作：他们不是仅仅在仿真环境中“纸上谈兵”，而是亲手搭建了一个真实的物理实验平台，系统性地生成并开源了一个专为ML-AD方法发展量身定制的综合性实验数据集。
这项研究题为“为发展机器学习异常检测方法提供批式蒸馏数据”，发表在国际知名数据期刊《Scientific Data》上。研究人员的核心目标是创建一个桥梁性的资源，以加速ML在化工过程安全领域的应用。他们选择批式蒸馏（Batch Distillation）这一在精细化工和制药行业中常见且具有动态、间歇性特点的单元操作作为研究对象。为此，他们专门设计并搭建了一套实验室规模的玻璃批式蒸馏装置。这套装置并非简化模型，而是一个功能齐全的微型化生产系统，配备了齐全的传感器（如温度、压力、流量传感器）和执行器（如加热套、回流阀），能够模拟真实工业场景中的多种操作条件。研究团队精心设计了119组实验，覆盖了广泛的进料组成、操作压力和回流比等条件。其中，大部分包含异常（如有意引入的进料组成错误、加热功率故障、冷却水失效等）的实验，都配有一个在相同初始条件下但无异常运行的“对照实验”，这种配对设计极大地便利了有监督和对比学习算法的训练。整个数据集不仅包含所有传感器和执行器的高频时间序列数据，还创新性地引入了多种非常规数据源：通过在线台式核磁共振（Nuclear Magnetic Resonance, NMR）光谱仪实时获取的塔内浓度分布数据，为理解过程内部状态提供了独特视角；同步录制的实验过程视频和音频，则为结合多模态信息进行异常检测开辟了新途径。此外，研究团队为所有实验提供了详尽的元数据，并基于本工作中专门开发的一个异常本体（Ontology）对每个实验中的异常进行了系统化的专家标注，清晰地定义了异常的类型、发生时间、可能原因和观察到的现象。所有这些结构化数据均已通过Zenodo平台（DOI: 10.5281/zenodo.17395543）免费公开。这项工作为化工过程ML-AD研究社区提供了一块宝贵的“试验田”。
为生成此数据集，研究人员主要采用了几个关键技术方法：1. 搭建实验室规模批式蒸馏实验装置：自主设计并构建了一套完整的玻璃精馏塔系统，配备全面的传感器网络（温度、压力、流量等）和执行机构，以模拟真实化工过程。2. 系统化的实验设计与执行：在宽泛的操作条件（不同混合物、压力、回流比）下进行了总计119次实验，并精心设计了包含故意故障的异常实验与对应的无故障基线实验配对。3. 集成多模态数据采集：除了常规传感器，还集成了在线台式核磁共振（NMR）光谱仪用于实时监测浓度分布，并同步录制了实验过程的视频和音频数据。4. 基于本体的异常标注：开发了一个用于描述化工过程异常的本体（Ontology），并以此为基础对所有实验中的异常事件进行系统化、标准化的专家人工注释。
研究结果
一个全面的批式蒸馏异常检测数据集
本研究产生并开源的数据集是首个专门为开发和评估化工过程机器学习异常检测方法而设计的综合性实验数据集。它包含了在实验室规模批式蒸馏装置上进行的119次实验的所有原始与处理后的数据。数据模态丰富，不仅包括所有传感器和执行器的时间序列，还包含在线NMR获取的浓度曲线、视频和音频记录。每个实验均有详细的元数据描述其操作条件，并且所有异常实验都基于新构建的本体进行了标准化标注。
配对实验设计促进有监督学习
数据集的一个关键设计是大多数异常实验都匹配了一个在相同初始操作条件下运行的无异常（即“基准”或“正常”）实验。这种配对结构为开发有监督和半监督的ML-AD方法提供了理想的基础，使得算法能够直接比较正常与异常状态下的数据模式差异，从而更精准地学习异常签名。
包含测量不确定性评估
除了测量值本身，数据集还提供了关键传感器读数的不确定性估计。这一信息对于开发对噪声鲁棒的概率性ML模型至关重要，使得研究者可以在建模中明确考虑数据的不确定性，提高模型的可靠性。
非常规数据源拓展检测维度
所提供的在线NMR浓度数据提供了对塔内成分动态的直接洞察，这是传统外部传感器无法轻易获取的。视频和音频数据则提供了过程的视觉和听觉背景，为开发基于多模态融合的异常检测与根本原因分析算法提供了独特机会。
基于本体的标准化异常注释
研究团队开发并应用了一个专门针对化工过程异常描述的本体。该本体为数据集中出现的各类异常（如“进料组成错误”、“加热故障”、“冷却失效”）提供了结构化的定义和关系描述。基于此的所有专家注释保证了标注的一致性和机器可读性，为开发可解释的AI方法提供了语义基础。
结论与意义
本研究通过构建并开源一个前所未有的、多模态的、带精细标注的批式蒸馏实验数据集，实质性解决了制约机器学习在化工过程异常检测领域发展的核心瓶颈——高质量公开数据的缺乏。该数据集的价值不仅在于其“大”和“全”，更在于其“专”和“精”：其针对性的实验设计（如异常-正常配对）、丰富的数据类型（从时间序列到NMR、音视频）以及系统化的本体论标注，使其成为开发和基准测试下一代ML-AD方法的理想测试平台。它特别有助于推动以下方向的研究：1. 复杂动态过程的异常检测算法：为循环神经网络（RNN）、时空图网络等处理序列和动态系统的模型提供训练和验证数据。2. 可解释与可解释的AI（XAI）：由于数据集中包含了异常的因果信息（通过本体标注），研究者可以开发不仅能检测异常，还能解释“为什么”会发生异常以及“如何”缓解异常的模型。3. 多模态数据融合：为探索如何有效结合数值传感器数据、光谱数据、视觉和听觉信息进行联合分析与决策提供了宝贵资源。4. 不确定性量化：提供的测量不确定性数据支持开发概率性模型和不确定性感知的决策系统。这项工作的成果已通过永久DOI开放获取，预计将成为化工过程安全、过程监控和机器学习交叉领域的一个标志性资源，为开发更智能、更可靠、更透明的工业过程安全保障系统铺平了道路。
