《ACS Omega》：A Robust Noise Reduction Approach with Multi-Channel LSTM-GRU Integration for Fault Diagnosis in Chemical Industry Processes
编辑推荐：
在化工生产过程的故障诊断领域，传统方法主要依赖手动特征工程，这带来了若干局限性，包括对信号噪声高度敏感、特征提取能力受限以及数据利用效率低下。虽然深度学习方法，尤其是专注于时间序列建模的方法，在自动生成和利用时间特征方面展现出潜力，但仍受到架构灵活性不足和多尺
在化工生产过程的故障诊断领域，传统方法主要依赖手动特征工程，这带来了若干局限性，包括对信号噪声高度敏感、特征提取能力受限以及数据利用效率低下。虽然深度学习方法，尤其是专注于时间序列建模的方法，在自动生成和利用时间特征方面展现出潜力，但仍受到架构灵活性不足和多尺度信息集成有限的制约。为克服这些挑战，本研究提出了一种新的计算框架，该框架将多通道长短期记忆网络（multi-channel LSTM）与多通道门控循环单元（multi-channel GRU）相结合。该框架采用一个联合预处理模块，集成了小波变换（wavelet transform）和快速傅里叶变换（FFT），有助于在抑制高频噪声的同时保留重要信号细节。该框架还通过变阶多通道结构动态调整网络深度，增强了其捕捉故障复杂性的能力。此外，它将双向时间建模与GRU的高效信息传递相结合，实现了多尺度特征的分层融合。在田纳西伊斯曼过程（Tennessee Eastman process, TEP）数据集上进行的实验表明，该方法在21个故障分类任务中达到了96.10%的平均准确率，这一性能分别比传统LSTM和GRU高出14.75%和5.65%。这些结果突显了该方法在高维噪声环境下的有效性，为工业场景中的实时故障诊断提供了更可靠的解决方案。
论文解读文章
在化工生产过程故障诊断领域，传统方法主要依赖手动特征工程，存在对信号噪声高度敏感、特征提取能力有限及数据利用效率低下等固有局限性。尽管深度学习方法，尤其是时间序列建模方法，在自动生成和利用时间特征方面显示出潜力，但仍受限于架构灵活性不足和多尺度信息集成程度不高的问题。为应对这些挑战，研究人员提出了一种新型计算框架——变阶多通道LSTM-GRU（VOMLG）模型，旨在通过多尺度时频分析与混合深度学习架构的集成，提升化工过程故障诊断的准确性和鲁棒性。该研究在田纳西伊斯曼过程（TEP）基准数据集上验证了模型性能，并进一步在自采工业数据集上测试了其跨域诊断能力，相关成果发表于《ACS Omega》。
研究人员开展了系统性的实验设计，包括噪声衰减效果评估、小波参数调优、时域与频域输入比较、预处理顺序优化、模型超参数搜索、与多种现有方法的对比分析、实际工业过程测试以及消融研究。主要结论是：VOMLG模型在TEP数据集的21类故障分类任务中平均准确率达96.10%，分别比传统LSTM（长短期记忆网络）和GRU（门控循环单元）高出14.75%和5.65%；在自采工业数据集上平均诊断准确率为91.80%，其中故障4（反应器入口流量阶跃）识别率达100%。这些结果充分证明了该方法在高维噪声环境下的有效性，为工业实时故障诊断提供了更可靠的解决方案。
为开展研究，研究人员使用的主要关键技术方法包括：基于小波变换（wavelet transform）的自适应噪声抑制与多分辨率分析，结合快速傅里叶变换（FFT）进行频域特征提取，形成双域预处理模块；采用五通道结构（按温度、压力、流量、组成测量及其他参数划分）并行处理TEP数据集的52个监测变量；在每一通道内并联三个顺序Bi-LSTM（双向长短期记忆网络）模块与三个顺序GRU模块，分别提取双向时间依赖与短期动态特征；通过自适应全连接层、Dropout层和LeakyReLU激活函数进行特征融合与分类。样本队列来源方面，采用了TEP基准数据集以及从连续化工生产过程运营记录中获取的自采工业数据集（含50个传感器变量和11种自然发生的故障模式）。
研究结果部分包含多个子标题及相应发现：
**3.1 噪声衰减效果评估**：研究人员比较了五种降噪技术（Butterworth滤波、有限冲激响应FIR滤波、移动平均滤波、中值滤波和小波变换），以最终分类准确率为评估指标，发现小波变换降噪效果最优，准确率达90.71%，远高于其他方法。
**3.2 参数调优**：考察了五种小波基（Daubechies、Haar、Symlets、Coiflets、Biorthogonal）及1-10分解层数的影响。实验表明，Haar小波基结合分解层数3取得最佳分类准确率96.10%，表明适度降噪强度有助于平衡信噪比与分类性能。
**3.3 时域与频域输入比较**：对比时间域与频率域数据表示对分类准确率的影响，发现频域模型在训练后期（约100个epoch）性能超越时域模型，且计算资源消耗相当，证明频域特征能更有效地提升模型精度。
**3.4 预处理顺序影响**：比较五种预处理顺序（如WTS、TWS、SWTS等），结果表明先标准化再小波变换和频域变换的SWTS顺序最佳，准确率达96.10%，证实了预处理顺序的重要性。
**3.5 模型参数调优**：对隐藏层神经元数量（Bi-LSTM 64单位、GRU 128单位）、Dropout率（0.2）和LeakyReLU负斜率（0.01）进行搜索，确定了使模型性能最优的参数组合。
**3.6 与其他方法对比**：与Bi-LSTM、LSTM、GRU、SimCLR-TS、MC1-DCNN、ALSTM-FCN、TrLAe等方法进行比较。VOMLG平均准确率96.10%显著高于其他模型，且在故障3、9、15等复杂故障类别上仍保持高准确率（分别为99.50%、98.63%、97.38%），体现了双模块协同机制的鲁棒性。
**3.7 计算资源**：训练在配备NVIDIA A800 GPU、128GB内存的服务器上进行，训练时长约23分钟，验证了模型的计算效率。
**3.8 实际工业过程测试**：在自采工业数据集上，VOMLG平均诊断准确率91.80%，最高达100%（故障4），而单独Bi-LSTM、LSTM、GRU模块准确率分别仅为40.74%、29.29%、34.13%，对比模型MC1-DCNN和SimCLR-TS分别为74.47%和84.74%，表明VOMLG具有良好的跨域诊断能力和实际应用价值。
**3.9 数据驱动与模型驱动方法比较**：从先验知识需求、数据效率、噪声鲁棒性、可解释性等维度对比模型驱动与数据驱动方法，指出本研究提出的混合驱动框架通过双域预处理（小波与FFT）、多阶段特征学习（GRU与Bi-LSTM结合）和自适应噪声处理（动态阈值调整机制），在保持低计算需求的同时克服了传统数据驱动方法的局限。
**3.10 消融研究**：通过去除小波模块、FFT模块、Wavelet-FFT联合模块、GRU分支、Bi-LSTM分支构建五个变体。完整VOMLG模型的AUC、精确率、召回率和F1-score均为93.61%以上；去除FFT后F1-score降至64.00%，去除Wavelet后降至87.57%，去除任一循环网络分支后均降至约88.6-88.7%，证实双域预处理与并行GRU-Bi-LSTM学习结构对模型鲁棒性和判别能力的共同贡献。
在讨论部分，研究人员指出VOMLG模型的核心优势——多尺度时频特征提取与混合深度学习架构——可推广至机械系统、能源电网、航空航天等具有类似诊断需求的领域。然而，跨域应用需解决数据异质性、实时约束和可解释性等挑战。未来工作将探索模型在不同工业场景下的适应性、注意力机制集成、半监督变体开发以及边缘计算实现。
研究结论翻译如下：本研究提出了VOMLG模型，一种用于化工过程故障诊断的新方法，该模型集成了多尺度时频分析与混合深度学习架构。所提出的框架在TEP基准数据集上表现出优越性能，分类准确率达96.10%，同时有效处理了高维、含噪的工业信号。小波-FFT预处理和GRU-Bi-LSTM特征融合的关键创新在捕捉化工过程故障特有的瞬态异常和长期退化模式方面已被证明特别有效。实验结果验证了该方法的若干重要优势：双域信号处理在保持噪声鲁棒性的同时保留了关键故障特征；变阶架构对不同故障特征和信号长度展现出显著适应性；框架的计算效率（23分钟训练时间）表明其具有强大的工业实时部署潜力。展望未来，模型固有的泛化性促使探索其在发电系统、制造设备等其他工业领域中的应用，同时可研究注意力机制集成以增强可解释性，或开发半监督变体以减少对标注故障数据的依赖。边缘计算实现将进一步促进在资源受限的工业环境中的实际部署。当前模型仍需在更广泛的实际工业操作条件下进行进一步验证，然后才能大规模在线部署。
