CMAFNet：一种用于氧化锌回转窑操作条件识别的跨模态自适应融合网络

《Neural Networks》：CMAFNet: A Cross-Modal Adaptive Fusion Network for Operating Condition Identification in Zinc Oxide Rotary Kilns

　　摘要
准确识别氧化锌回转窑的运行状态对于提高能源效率、产品质量和非铁金属生产中的可持续性至关重要。然而，传统的监测方法主要依赖于操作员对窑头火焰的经验观察，这使得评估具有主观性，并限制了多模态信息的有效整合。为了克服这些限制，本研究开发了一个针对锌冶炼场景的多模态数据集，并引入了一种跨模态自适应融合网络（CMAFNet）。具体来说，所提出的框架包含了一个跨模态交互 Transformer（CMIT），以捕获异构图像、文本和过程数据之间的细粒度依赖关系。随后，开发了增强自适应选择融合（EASF）模块来抑制冗余，而动态自适应融合（DAF）模块在关系层面进行精细特征的适应性聚合。此外，还设计了一个复合损失函数，结合了对齐损失、中心损失和三元组损失，以减轻跨模态分布差异并通过增强类内紧凑性和类间可分性来提高判别能力。实验结果表明，CMAFNet 在七类运行状态识别任务中的准确率为 93.65%，F1 分数为 92.16%，马修斯相关系数（MCC）为 0.894，即使在高度相似且容易混淆的少数类别中也能表现出强大的判别性能。在传统的三类设置中，该模型的整体准确率为 94.52%，每个类别的准确率都超过了 90%，优于代表性的三模态融合基线。此外，它在公共数据集上也表现出了竞争力。最后，消融研究和可视化结果证实了所提框架的有效性和可解释性。

引言
非铁金属在推进国家“双碳”（碳排放峰值和碳中和）战略中发挥着关键作用（Jiang 等，2026）。作为一个高能耗和高碳排放的行业，其绿色转型迫在眉睫。为了应对全球减碳趋势，中国正在加速能源结构的转型并升级冶金工艺，以建立一个绿色、低碳的工业体系（Dai 等，2025）。锌作为一种战略性的非铁金属，广泛用于防腐镀锌、合金生产、电池制造和电子元件（Wang 等，2025b）。锌生产的效率和稳定性对产品质量和企业竞争力至关重要（Zhang 等，2024）。作为锌冶炼和回收的核心设备，氧化锌回转窑通过将湿法冶金锌工艺产生的浸出残渣与焦炭充分混合，然后在高温下进行燃烧和复杂的氧化还原反应，实现了锌的有效分离和回收（Yin 等，2025b）。这一过程不仅显著提高了原材料利用率，还降低了原材料采购成本和环境影响，从而促进了锌资源的可持续利用和绿色生产。

氧化锌回转窑是一个高度复杂的系统，具有明显的非线性和对外部干扰的敏感性（Luo 等，2024）。它不仅包含多阶段和多变量耦合反应，还在反应动力学以及热和质量传递过程中表现出显著的滞后现象。此外，原材料的波动、外部环境条件和生产需求进一步加剧了工业回转窑频繁切换不同运行状态的需求。在这些变化条件下，最佳的过程模型参数和控制策略可能会有很大差异（Wei 等，2023）。在实际操作中，运行状态通常根据操作员的经验分为三类：燃烧不足、燃烧充分和燃烧过度，这些是评估反应充分性、温度分布和燃烧稳定性的关键指标（Wang 等，2026）。燃烧充分的运行状态表示反应充分、锌回收率高且碳排放低。相比之下，燃烧不足的运行状态表明由于温度过低导致反应不足和资源损失，而燃烧过度的运行状态则与焦炭消耗过多、排放增加以及可能由过高温度引起的设备损坏有关（Li 等，2024）。因此，准确实时识别这些运行状态对于优化燃烧效率至关重要。

传统上，窑的运行状态是通过在窑头主观观察火焰来确定的，这使得过程容易受到操作员偏见和不一致性的影响（Tang 等，2023）。为了应对这些限制，出现了利用火焰图像数据的深度学习方法。例如，Chen 等（2020）通过利用火焰视频的时空特征开发了一个稳健的实时窑状态识别模型，通过使用动态纹理和运动信息显著超越了传统的基于静态图像的方法。同样，Hu 和 Mao（2024）通过将伪温度和灰度图像的动态纹理特征与改进的局部二值模式算法相结合，进一步提高了识别准确性。此外，Bu 等（2023）提出了一种半监督对抗框架，该框架利用卷积神经网络（CNN）提取的火焰图像特征和领域适应性，以最小的标记数据进行准确的状态识别。除了基于图像的方法外，研究人员还探索了使用文本或过程数据进行窑状态识别。例如，Hu 等（2024）提出了一个两阶段注意力网络，能够从大规模工业文本记录中提取语义和主题特征，从而使用非结构化文本数据进行准确的状态识别。另外，Niu 和 Lei（2023）开发了一个 TCN-Bi-LSTM-Attention 模型，利用多源过程数据，在冶炼环境中实现了超过 90% 的异常状态识别准确率。尽管这些努力探索了各种数据模态，但大多数现有方法仍然依赖于单模态数据，缺乏全面的多模态信息，这大大限制了状态识别的准确性和可靠性（Kibrete 等，2024）。例如，基于图像的方法可以显示火焰形状和亮度，但在烟雾或灰尘方面存在不足；基于文本的方法编码了专家见解，但缺乏定量细节；过程数据跟踪系统操作的动态，但忽略了微妙的视觉或语义线索。

整合包括氧化锌回转窑的图像、文本和过程数据在内的异构来源，提供了互补的优势，使得状态识别更加可靠（Tang 等，2025）。然而，这些数据通常分散在不同的系统和平台上，导致明显的异构性和碎片化（Yuan 等，2025）。为了解决这一挑战，多模态数据融合方法通常根据集成阶段分为早期、中期和晚期融合（Li 和 Tang，2026）。早期融合通过连接、加法或双线性操作直接结合多模态特征，仅捕获低级相关性（Yin 等，2025a）。晚期融合通过投票或加权平均值聚合特定模态的输出，实现异步处理，但忽略了更深层次的交互（Dixit 和 Satapathy，2024）。相比之下，中期融合在模型内部引入了明确的跨模态交互，建立了潜在特征空间中的细粒度依赖关系，从而增强了鲁棒性和泛化能力（Zhu 等，2025）。基于变压器的方法已被广泛用于中期融合，其中采用跨注意力机制来捕获跨模态的长距离依赖关系和语义交互（Zhao 等，2024）。例如，Xu 等（2024）设计了一个多模态双跨注意力融合模型，整合了模内和模间关系，而 Li 等（2025）提出了 TVT-Transformer 以促进触觉、视觉和文本模态之间的深度特征交互。虽然这些方法通过注意力机制有效增强了多模态表示，但它们仍然缺乏捕捉异构模态之间细粒度跨模态依赖关系的灵活机制（Kui 等，2026）。此外，它们没有明确处理冗余或干扰信息，且常常忽略自适应加权，这可能导致在不同运行条件下的模态贡献不平衡（Hou 等，2025）。

为了解决上述挑战，我们构建了一个针对氧化锌回转窑的多模态数据集，并设计了跨模态自适应融合网络（CMAFNet）用于运行状态识别。在这个框架中，首先使用独立的编码器从多源异构数据中提取代表性特征，然后将它们投影并对齐到共享的潜在空间中。接下来，跨模态交互 Transformer（CMIT）通过跨注意力模型捕获六个方向模态对之间的细粒度依赖关系，而混合专家模型（HMoE）实现了稀疏和输入自适应激活。随后，增强自适应选择融合（EASF）模块通过通道-空间融合块（CSFB）和两阶段门控机制抑制冗余并强化互补线索。最后，动态自适应融合（DAF）模块将关系级信息聚合为紧凑的联合表示，以实现可靠的分类。此外，还制定了一个复合损失函数，以共同优化跨模态一致性和判别能力。本文的主要贡献总结如下：1）我们开发了 CMAFNet，这是一个三模态融合网络，它结合了窑头火焰图像、文本描述和过程数据来识别运行状态。该框架包括 CMIT、EASF 和 DAF，共同实现了复杂工业场景中的细粒度跨模态交互、自适应冗余抑制和灵活的关系级聚合。2）为了弥合编码多模态特征之间的表示差距，我们引入了一个可学习的投影网络以及基于自适应中心矩差异（ACMD）的对齐损失。这种策略在共享的潜在空间中统一了图像、文本和过程表示，减轻了跨模态分布差异，并为后续融合提供了 consistent 的基础。3）通过结合任务损失、对齐损失、中心损失和三元组损失构建了一个复合目标，共同减轻了跨模态分布差异，并在高度相似的运行条件下加强了表示的判别能力。

本文的其余部分组织如下。第 2 节回顾了相关工作。第 3 节介绍了提出的 CMAFNet 框架和复合损失函数。第 4 节描述了数据集、实验设置和评估指标。第 5 节展示了比较实验、可视化结果和相关分析。最后，第 6 节总结了本文并提出了未来研究的方向。