基于宽度学习(Broad Learning System, BLS)的非对称神经网络工业过程异常监测快速模型

《IEEE Transactions on Aerospace and Electronic Systems》：A Fast Asymmetric Network Model for Anomaly Monitoring of Industrial Processes

　　

摘要：工业过程为智能制造提供核心驱动力。实测数据具有非线性(nonlinear)与非高斯(non-Gaussian)特性，且传感器采样频率高，在实际工况下直接采用多元统计方法难以获得理想的异常检测(Anomaly Detection, AD)效果。因此，研究人员提出了一种基于宽度学习(Broad Learning System, BLS)的 asymmetrical neural network，该非对称神经网络能够学习变量间的相关性，并从理论上证明了该非对称神经网络具备最优AD能力。研究人员采用黄金分割法(Golden Section Method)快速获取可靠阈值，使所提算法具备强大的AD能力；该阈值在保证可接受误报率(False Alarm Rate, FAR)的前提下，最大化算法的异常检出率(AD Rate, ADR)。相较于其他基于神经网络的方法，该方法在提升计算效率的同时保证了良好的异常检测能力。最后，研究人员在工业过程控制系统仿真平台上验证了该非对称神经网络的可用性。

论文解读：《基于宽度学习(BLS)的非对称神经网络工业过程异常监测快速模型》

一、研究背景与意义

工业过程是现代制造系统不可或缺的组成部分，为确保运行安全与稳定，异常检测(Anomaly Detection, AD)技术被广泛研究。现有方法主要分为基于分析模型与数据驱动(data-driven)两类。基于分析模型的方法需建立精确的一阶原理数学模型，而实际工业过程机理复杂，受原料波动、设备老化、负载变化及环境干扰影响，难以构建足够精确的模型，限制了其实际应用。传统数据驱动的多变量统计分析如主成分分析(Principal Component Analysis, PCA)和典型相关分析(Canonical Correlation Analysis, CCA)假设数据服从高斯分布且线性，无法有效处理工业现场高采样率下的非线性(nonlinear)、非高斯(non-Gaussian)数据，鲁棒性不足。深度神经网络虽能处理非线性数据，但计算负载大、训练耗时长，难以满足工业过程高频采样的实时性要求，易导致监测延迟。针对上述问题，研究人员开展了基于宽度学习系统(Broad Learning System, BLS)的非对称神经网络快速AD方法研究，旨在兼顾非线性拟合能力、低计算延迟与高检测精度，并在中南大学牵引控制仿真平台上完成验证。该论文发表于《IEEE Transactions on Aerospace and Electronic Systems》。

二、主要关键技术方法

研究人员采用数据驱动策略，选取工业过程（含牵引系统）网侧电压U_n、网侧电流I_n、直流环节电容电压U_cd1、U_cd2构成输入变量集x∈R⁴，选取三相定子电流I_sa、I_sb、I_sc及定子电压V_s构成输出变量集y∈R⁴。关键技术包括：(1) 利用宽度学习系统(BLS)构建非对称神经网络Q(Φ,X)，通过随机映射节点与增强节点拓宽网络宽度，以伪逆(pseudo-inverse)一次性求解输出权值，避免深度网络反复迭代；(2) 将BLS输出替代CCA中的线性映射，构造非线性典型相关分析的残差r₁、r₂及T²统计量；(3) 以最大化典型相关系数(canonical correlation coefficient) ρ为优化目标证明非对称结构具最优AD能力；(4) 采用黄金分割法(Golden Section Method, 0.382与0.618分割点)在限定FAR前提下快速搜索最优阈值J_th，迭代次数上限8次，区间精度δ=0.01。离线阶段用正常数据训练BLS并确定阈值，在线阶段直接计算T²统计量进行监测。

三、研究结果

SECTION II. Preliminaries

介绍了宽度学习系统(BLS)的基本结构：输入X经n个映射节点Z_i=φ_i(XW_i+β_i)生成映射层Zⁿ，经增强层H_j=σ_j(W_jZⁿ+β_j)提取特征，最终输出Y=[Zⁿ|H^m]W^h，可通过伪逆求解W^h无需反向传播。同时介绍了典型相关分析(CCA)通过奇异值分解求线性映射对G、H及残差r₁、r₂和T²统计量，但指出其对非线性数据非最优。

SECTION III. Methodology

数据先标准化处理。BLS以正常数据X_nor拟合得Q(Φ,X_nor)，代入SVD得映射对G_nor、H_nor。目标函数定义为最大化典型相关系数l=max ρ(Σ_Q(Φ,Xnor)^-1/2Γ, Σ_Ynor^-1/2Υ)，等价于arg min T_r1²及arg min ‖r₁‖₂²。由Cauchy-Schwarz不等式证明：当x发生异常时T²(r₁^f(k))=(r₁^f(k))^Tdiag(1/(1-λ₁),…,1/(1-λ₄))r₁^f(k)显著增大，BLS超参数Φ使特征值λ₁~λ₄最大化从而放大残差，实现x侧或y侧异常的最优检测。阈值优化以训练样本T²极值作区间[a,b]，按黄金分割取g₁=a+0.382(b-a)、g₂=a+0.618(b-a)，依FAR(FAR=prob(T²>J_th|fault-free))与预设p比较收缩区间，最终J_th,r1=(a+b)/2，同理得J_th,r2。

SECTION IV. Experiment Tests

基于中南大学牵引控制平台注入三类故障：f₁为U相电流偏移（第400采样点注入），f₂为U相传感器增益异常（第400采样点注入），f₃为U相气隙偏心故障（第400采样点注入）。Detection results显示所提方法T²_r1与T²_r2均能在故障发生后越过阈值报警，f₁、f₂检测迅速，f₃具周期性幅值波动但仍被有效捕获，400~1200采样段内正确报警，1~399段无虚警。黄金分割法仅需≤8次迭代即收敛，远少于线性搜索。对比实验表明：本方法异常检出率(ADR)与AutoEncoder、LSTM、Transformer、VAE及SsCCA(单翼神经网络辅助CCA)相当或更优（f₃的ADR略低于SsCCA但FAR显著更低），误报率(FAR)为0；离线训练与在线平均测试耗时仅0.04s，远低于AutoEncoder(1.24s)、SsCCA(0.36s)、LSTM(0.87s)、Transformer(1.57s)、VAE(0.70s)，满足高频采样实时需求。

四、讨论与结论总结

讨论指出对称网络易导致特征矩阵秩亏、条件数过大及伪逆解不稳定；非对称结构借BLS扩展特征空间降低冗余与条件数，使伪逆解更稳定，且在目标函数中最小化正常样本T²等价于正则化(regularization)，抑制过拟合降低FAR。该方法主要适用于中等采样频率或周期波动数据的工业场景，在超高维大规模场景中直接部署具挑战性。

结论：研究人员提出了一种基于快速非对称神经网络（宽度学习BLS）的工业过程数据驱动异常检测方法。该非对称神经网络具备优良的计算速度与非线性数据拟合能力，结合黄金分割法可快速确定合适阈值。理论证明该方法具最优AD能力，仿真平台验证相较其他神经网络方法，该非对称神经网络计算效率高、异常检测能力强且检测延迟低。