基于Multiscale Convolution-Attention-GRU Residual Network（MCAG-ResNet）的工业过程故障诊断方法

《Mathematics》：A Fault Diagnosis Method Based on MCAG-ResNet for Industrial Processes

　　

工业过程故障诊断仍具挑战性，因为一维时间序列数据常涉及复杂动态性、噪声干扰及时间依赖性，阻碍了复杂工况下可靠故障表征与鲁棒诊断决策。为解决上述挑战，研究人员提出了一种基于多尺度卷积-注意力-GRU残差网络（Multiscale Convolution-Attention-GRU Residual Network, MCAG-ResNet）的工业过程故障诊断方法。MCAG-ResNet将多尺度特征学习、基于注意力的特征重标定、时间依赖性建模及残差学习集成于统一架构中，以增强判别性故障表征与诊断鲁棒性。此外，引入归一化与轻量级数据增强以提升训练稳定性与泛化性能。在田纳西-伊斯曼（Tennessee Eastman, TE）与连续搅拌釜反应器（Continuous Stirred Tank Reactor, CSTR）数据集上的验证表明，MCAG-ResNet在复杂工业过程故障诊断中具有有效性、泛化能力与诊断稳定性。进一步通过变量贡献度分析、特征重要性分析、噪声鲁棒性分析、超参数敏感性分析、性能-复杂度分析及统计稳定性分析，验证了其可解释性、鲁棒性、参数合理性、实际应用适用性及稳定性。

一、研究背景与意义

现代工业过程通常表现出强非线性、高变量耦合、多工况及动态演化特性，故障相关变化常在耦合变量间传播、随时间演化，且易被运行波动或传感器噪声削弱，增加了过程监控与故障检测及诊断（Fault Detection and Diagnosis, FDD）的难度。传统多元统计分析（如主成分分析 Principal Component Analysis, PCA；偏最小二乘法 Partial Least Squares, PLS）依赖投影表示或预设统计关系，难以刻画非线性故障模式、长期时间依赖及变工况下的变化。浅层机器学习（如支持向量机 Support Vector Machine, SVM；隐马尔可夫模型 Hidden Markov Model, HMM）需人工设计特征，无法自动学习层次化故障表示。现有深度学习方法如单一的一维卷积神经网络（1D-CNN）擅长提取局部特征但难以建模长期时间依赖；循环神经网络（Recurrent Neural Network, RNN）/长短期记忆网络（Long Short-Term Memory, LSTM）/门控循环单元（Gated Recurrent Unit, GRU）侧重时序建模但对细粒度多尺度局部特征提取有限。混合CNN-LSTM等模型虽有所改进，但在多尺度故障模式、故障敏感信息与时间动态演化的协同建模及模型可解释性、鲁棒性方面仍有不足。为此，研究人员提出MCAG-ResNet模型，在《Mathematics》期刊发表，旨在协同多尺度卷积特征提取、卷积块注意力模块（Convolutional Block Attention Module, CBAM）特征重标定与GRU时间依赖建模，提升复杂工业一维时间序列数据的故障诊断精度与稳定性。

二、主要关键技术方法

研究人员采用TE过程（含12个操纵变量、41个测量变量，选取17类故障）与CSTR过程（基于Yoon和MacGregor非线性动力学模型，9个监测变量，6类故障）作为基准数据集；数据经Min–Max归一化至[0,1]，训练阶段采用高斯噪声注入、时移与幅值缩放进行轻量级数据增强。构建端到端MCAG-ResNet网络，输入为一维时间序列样本X∈R^B×1×L，依次通过：残差多尺度卷积模块（Residual Multiscale Convolutional Neural Network, Residual MSCNN，三路并行1D卷积核尺寸k=3,5,7各输出32通道，拼接后经组归一化Group Normalization, GN与1×1卷积残差连接及ReLU激活）、CBAM特征重标定模块（沿通道维与一维时间维进行通道注意力与残差式时间注意力以增强故障敏感响应并抑制冗余）、GRU-Attention时序建模与聚合模块（GRU编码序列依赖后经时间注意力加权聚合得上下文向量并与全局均值残差融合）、全连接Softmax分类层。训练采用标签平滑（Label Smoothing）交叉熵损失、AdamW优化器、余弦退火学习率调度及小批量训练。通过消融实验（去除GRU/多尺度/CBAM及对比标准ResNet基线）、对比实验（DCNN、TCN、CNN-BiGRU）、置换变量贡献分析、特征重要性分析、不同高斯噪声水平下鲁棒性测试、超参数敏感性分析（GRU隐藏层维度与卷积核组合）、参数量/模型大小/推理时间复杂度分析、多随机种子统计稳定性分析评估模型。

三、研究结果

4.1. TE Process Simulation Experiments——4.1.1. Dataset Description

TE过程含正常与21种故障，研究选取17种代表性故障构建数据集，Fault 06样本量较少其余每类1000训练/2000测试，Min–Max归一化，展示典型变量XMEAS11故障轨迹说明动态偏离特征。

4.1.2. Ablation Study

在标准ResNet基线（Macro F1=93.82%，准确率93.62%）上，完整MCAG-ResNet达Macro F1=94.41%、准确率94.14%。去除GRU影响最大（Macro F1降至85.18%），说明时间依赖建模对TE故障动态演化至关重要；替换为单尺度卷积（Macro F1=93.00%）与去CBAM（Macro F1=92.65%）均致性能下降。t-SNE可视化显示完整模型同类样本紧凑、异类分离更好，混淆矩阵对角线更集中，证明多尺度、注意力与GRU协同而非简单堆叠带来增益。

4.1.3. Comparison Experiments

对比DCNN、TCN、CNN-BiGRU，MCAG-ResNet验证集收敛更快且上限更高（约94%）。对TE中早期微弱故障Fault 11与Fault 13，MCAG-ResNet F1分别达90.80%与82.12%，显著优于对照模型（TCN为61.24%/较低，CNN-BiGRU为80.61%），证明其对渐变初期故障更强识别力。

4.1.4. Variable Contribution Analysis

基于置换变量贡献度（Macro F1下降幅度），XMEAS11、XMEAS22贡献最高（约17.7与17.6个百分点），XMV8、XMV4、XMV3等操纵变量亦有较高贡献，说明模型综合利用测量与操纵变量中的故障敏感信息。

4.1.5. Hyperparameter Sensitivity Analysis

GRU隐藏层维度测试中hidden_dim=128时最优（Macro F1=94.41%），过小欠拟合过大无益增参；多尺度卷积核组合(3,5,7)优于单尺度(3)、双尺度(3,5)及四尺度(3,5,7,9)（后者Macro F1=92.85%），证实三尺度平衡感受野与冗余。

4.1.6. Performance–Complexity Analysis

MCAG-ResNet参数量与模型大小小于CNN-BiGRU，单样本推理时间0.4612 ms远小于TE过程3 min采样间隔，在精度显著提升下满足工业实时性要求。

4.1.7. Statistical Stability Analysis

5次不同随机种子实验，准确率与Macro F1标准差仅0.15%与0.17%，表明模型对初始化不敏感、诊断稳定。

4.2. CSTR Process Experimental Validation——4.2.1. Dataset Description

CSTR由质量与能量平衡非线性微分方程描述，采集9个过程变量（进料浓度C_AF、进料温度T_F、冷却介质温度T_CF、进料流量Q_F、夹套换热流量Q_C、反应器浓度C_A、反应器温度T、反应热?ΔH_r、传热系数UA等），引入6类故障（阶跃、慢漂、随机扰动）。

4.2.2. Dataset Construction and Preprocessing

每类故障前250采样点作训练（共1500），测试取故障发生后350点（共2100），训练集拟合MinMaxScaler并用于测试集，训练时加高斯噪声与时移增强。

4.2.3. Ablation Study

CSTR上ResNet基线准确率98.46%，MCAG-ResNet达99.43%；对最难识别的早期渐变故障d03，F1从95.69%（ResNet）升至98.70%。去GRU致d03 F1降至93.55%，去多尺度与去CBAM亦致不同程度下降，混淆矩阵与t-SNE（六类故障聚类分明含弱特征d03/d04可区分）再次验证模块协同有效性。

4.2.4. Comparison Experiments and Results Analysis

DCNN(95.09%)、TCN(96.21%)、CNN-BiGRU(96.50%)均低于MCAG-ResNet(99.43%)，对d03故障F1也最高(98.70%)。

4.2.5. Feature Importance Analysis

C_AF（进料反应物浓度）置换后Macro F1降幅最大（12.41个百分点），T_CF、T_F、Q_C、C_A、T次之，说明模型捕捉与故障演化密切相关的关键过程变量。

4.2.6. Noise Robustness Analysis

测试集加入0%~5%相对高斯噪声，干净条件下准确率99.43%，5%噪声时仍保持98.80%准确率与98.79% Macro F1，波动微小，表明模型对测量噪声具良好鲁棒性。

四、讨论与结论翻译

研究人员提出并验证了集成残差多尺度卷积、CBAM特征重标定与GRU-注意力时间建模的MCAG-ResNet工业过程故障诊断方法。TE与CSTR基准实验表明该方法测试准确率分别为94.14%与99.43%，优于DCNN、TCN及CNN-BiGRU。消融实验证实性能提升源于多尺度特征提取、注意力关键信息增强与时间依赖建模的协同贡献。变量贡献、特征重要性、噪声鲁棒性、超参数敏感性、性能—复杂度及统计稳定性分析进一步证明所提方法的可解释性、鲁棒性、参数合理性、实际适用性与稳定性。综上，MCAG-ResNet为复杂工业过程提供了有效的故障诊断框架，未来工作将进一步评估其在具更强非平稳性及在线工况变化的真实工业系统中的适用性。