工业冷却系统中热传感器稳定性评估与预测性故障诊断的AI驱动框架：SVM与LSTM方法的比较研究

《Information》：An AI-Driven Framework for Thermal Sensor Stability Assessment and Predictive Fault Diagnosis in Industrial Cooling Systems: A Comparative Study of SVM and LSTM Approaches

　　

温度传感器的稳定性与可靠性对工业冷却系统的过程质量、能源效率和运行安全至关重要。然而，现有方法缺乏系统性的稳定性指标和智能预测能力。本研究提出一个AI驱动框架，该框架将稳定性特征工程与机器学习模型相结合，用于发电厂冷却系统中温度传感器的故障识别与早期预测。该框架引入了三个基于物理学的稳定性指标——滚动标准差（σ_roll）、变异强度指数（VII）和短期变化幅度（ΔT_short）——以量化传感器信号质量。这些特征，结合运行参数，被用于训练支持向量机（SVM）和长短期记忆（LSTM）模型以进行二分类。该框架使用从同一沿海热电厂三台并列蒸汽涡轮发电机组（1号、2号和3号机组）收集的每台机组超过260,000条一分钟记录数据进行了验证。每台机组配备一个独立的直流海水冷却回路，该回路在入口和出口管汇处装有冗余的Pt-100温度传感器；三台机组的运行特性不同——1号机组在可变负荷下运行，具有频繁的冷启动事件；2号机组在中等可变负荷下运行；3号机组在稳定的高负荷条件下运行——数据以1分钟间隔从2025年1月到6月收集。在明确以异常为正例的评估下，报告了每台机组和每个模型的完整混淆矩阵，分类性能有限且强烈依赖于机组。在实时识别中，基于AUC的排序能力在不同机组间存在差异（1-3号机组的SVM AUC分别为0.65、0.75和0.98；LSTM AUC分别为0.66、0.31和0.52），但在极端类别不平衡下（测试分区中异常率≈0.07–0.13%），所有机组-模型组合的校准工作点精确率和F1分数仍然很低（F1 ≤ 0.26，MCC ≤ 0.28）。McNemar检验表明，1号和2号机组存在统计上显著的配对差异，但3号机组没有。这些结果表明，在此数据集上，两个模型均未达到可靠的异常分类，并且所有报告的指标必须与公开的混淆矩阵计数和严重的类别不平衡一起解释。因此，该框架的主要贡献是方法论层面的——基于物理学的稳定性指标、冗余传感器交叉校验和运行误报分析——而非高精度预测，本研究突显了基于学习的预测对于罕见的、规则定义的热传感器异常的难度。

这是一篇关于工业冷却系统传感器故障诊断的论文解读。

**1. 研究背景与问题**

在工业过程控制与设备状态监测中，温度测量是基础信息源。温度传感器，作为热传感系统的核心，其性能直接影响过程控制质量、能源管理效率与运行安全。然而，传统的温度监测方法严重依赖人工巡检和定期校准，无法实时检测传感器性能的逐渐退化。这种被动式维护策略无法有效预测传感器的剩余寿命或预期故障，使工业系统容易受到意外中断的影响。尽管人工智能（AI）和机器学习（ML）技术，如支持向量机（SVM）和长短期记忆（LSTM）网络，已在预测性维护和故障诊断中展现出潜力，但现有研究仍存在以下空白：第一，缺乏系统性的、基于物理学的指标来量化传感器随时间变化的稳定性；第二，在相同实验条件下，对传统ML模型（如SVM）与深度学习模型（如LSTM）在温度传感器应用中的比较分析仍然有限；第三，预测时间跨度长度对早期故障预测中模型性能退化的影响尚未得到充分研究。因此，本研究旨在开发一个集成AI驱动框架，用于发电厂冷却系统中温度传感器的稳定性评估和故障预测，以填补上述空白。该论文发表在《Information》期刊上。

**2. 研究内容与结论**

研究人员提出了一种AI驱动框架，集成了稳定性特征工程与机器学习模型。该框架引入了三个基于物理学的稳定性指标——滚动标准差（σ_roll）、变异强度指数（VII）和短期变化幅度（ΔT_short）——来量化传感器信号质量，并结合运行参数，训练SVM和LSTM模型进行二分类。研究使用了来自同一沿海热电厂三台并列蒸汽涡轮发电机组（1、2、3号机组）的超过260,000条记录（1分钟间隔，2025年1月至6月）进行验证。评估结果表明，在实时故障识别中，分类性能有限且强烈依赖于机组，没有模型在当前数据集上达到可靠的分类效果。该框架的主要贡献是方法论层面的，即基于物理学的稳定性指标、冗余传感器交叉校验和运行误报分析，而非高精度预测。

**3. 关键技术方法**

本研究采用的关键技术方法包括：数据收集自某沿海热电厂的三台并列蒸汽涡轮发电机组，每台机组配备独立的直流海水冷却回路及冗余Pt-100温度传感器，数据以1分钟间隔采集，每台机组约260,000条记录。稳定性特征工程构建了三个基于物理学的指标：滚动标准差（σ_roll）、变异强度指数（VII）和短期变化幅度（ΔT_short），用于量化信号质量。机器学习模型方面，研究人员对比了使用径向基函数（RBF）核的SVM模型，通过网格搜索进行超参数优化，以及一个包含两层LSTM层（64和32个单元）的序列模型，输入窗口为60分钟，步长为10分钟。评估指标包括混淆矩阵、F1分数、马修斯相关系数（MCC）、ROC曲线下面积（AUC）等，并采用Bootstrap重抽样（1000次迭代）和McNemar检验进行统计验证。

**4. 研究结果**

**4.1. 温度测量特征与稳定性分析**
通过时间序列分析、核密度估计（KDE）和箱线图分析，研究发现1号机组表现出最大的可变性，运行模式非平稳；2号机组在高负荷下运行最稳定；3号机组则表现出最佳的信号稳定性。冗余传感器差异分析提供了传感器故障的直接物理证据，特别是3号机组在1月中旬和3月下旬出现了超过8°C的显著跳跃。稳定性指标分析显示，3号机组的信号质量优于其他机组，其平均VII仅为0.23%。长期漂移分析发现了2号和3号机组的微弱但持续的上行趋势，表明存在传感器零点漂移。

**4.2. 数据特征与特征空间分析**
散点图分析表明，异常样本在某些情况下表现出极端的温差，但相当一部分与正常样本在标准运行区域重叠，这证实了简单线性阈值方法不足以进行可靠的状态分类，为SVM和LSTM的非线性分类能力提供了依据。异常事件的时间分布表现出明显的时间聚集性，支持使用序列感知模型（如LSTM）。

**4.3. 实时故障识别性能**
在明确以异常为正例的评估下，所有模型的分类性能均有限且依赖于机组。SVM在1号和3号机组上表现更好，而LSTM在2号机组上表现更好。在极端类别不平衡下，所有机组-模型组合的校准工作点精确率和F1分数都很低。没有机组-模型组合达到可靠的异常分类。基线比较分析表明，任何单一的经典检测器都无法替代所提出的组合管线。

**4.4. 模型鲁棒性与统计验证**
Bootstrap置信区间支持了报告的性能差异在统计上并非仅由抽样变异引起。McNemar检验显示，1号和2号机组的SVM和LSTM之间存在统计上显著的配对差异，而3号机组则不然。这些配对比较应被解读为相对差异，而非模型可部署的证据。

**4.5. 消融研究：稳定性特征的贡献**
消融研究表明，将稳定性指标纳入特征集后，预测AUC比仅使用基础特征提高了5.2%，验证了所提出的基于物理学的稳定性指标作为预测系统核心组件的独立贡献。

**4.6. 早期故障预测性能**
在因果、以异常为正例的重新评估下，早期预测任务在5-30分钟的时间跨度上显示出几乎没有可学习的信号（ROC-AUC ≈ 0.50）。因此，本节报告的指标仅作为描述性背景，并不用于支持任何有效早期预测的结论。LSTM在评估设置下显示出一定优势，但所有模型的性能都随预测时间跨度的增加而单调下降，并且误报率显著升高。

**5. 总结与讨论**

讨论部分指出，模型选择应依赖于具体机组，10分钟预测时间跨度在提前时间和报告性能之间提供了实用平衡。消融研究证实了稳定性特征工程的独立贡献。研究人员强调，所提出的模型并非作为独立报警器可部署，而是作为两阶段决策管线（学习模型筛选 + 持久性规则 + 冗余传感器交叉校验）的第一阶段使用。研究也讨论了该框架在技术和职业教育（TVE）中的潜在应用。

研究结论部分翻译如下：
本研究提出了一个用于工业冷却系统温度传感器稳定性评估和故障预测的AI驱动框架，集成了系统的稳定性特征工程方法与SVM和LSTM的对比建模。该框架使用来自发电厂冷却系统三个发电机组的超过260,000条测量记录进行了验证。主要发现总结如下：
（1）所提出的稳定性指标（σ_roll、VII、ΔT_short）成功量化了传感器信号质量，3号机组表现出最佳信号稳定性（平均VII = 0.23%），而2号机组显示出最高的变异性（平均VII = 0.66%）。消融研究证实，包含稳定性特征比仅使用基础特征将预测AUC提高了5.2%，验证了它们作为预测框架核心组件的作用。
（2）在实时故障识别中，在修正的以异常为正例的评估下，模型性能表现出依赖于机组的特性。SVM在1号和3号机组上表现更好，而LSTM在2号机组上表现更好，McNemar配对检验确认了这些差异在统计上显著。在此设定下，SVM和LSTM均未被视为可投入生产；报告的工作点旨在作为冗余备份、持久性过滤的两阶段报警管线（第5.1节）的输入，而非独立的分类器。
（3）对于5、10和30分钟时间跨度的早期故障预测，一个在相同因果、以异常为正例协议下训练和评估的强梯度提升基线并未展现出有意义的预测能力（测试ROC-AUC ≈ 0.50，PR-AUC处于无技能水平），这表明在此数据集上，罕见的、规则定义的热传感器异常无法从可用特征中可靠预测。因此，本工作并未声称实现了有效的早期预测；量化可预测性的极限本身作为一项发现被报告，而改进早期预测能力则留待未来工作。
（4）所提出的框架展示了作为AI增强型技术和职业教育教学平台的潜力，提供了一个围绕四个核心能力领域构建的、真实且端到端的工业数据分析体验。