RA-SFOT:基于可靠性的无源最优传输算法,用于高炉故障诊断
《Control Engineering Practice》:RA-SFOT: Reliability-aware source free optimal transport for blast furnace fault diagnosis
【字体:
大
中
小
】
时间:2026年09月23日
来源:Control Engineering Practice 5.3
编辑推荐:
在 blast furnace(BF)炼铁过程中,稳定运行对于确保生产效率、产品质量和工业安全至关重要。然而,由于隐私限制和工业 BF 数据的非平稳性,这些数据经常受到伪标签噪声的严重干扰,这影响了模型性能,并使得无法有效识别故障特征。为了解决这些问题,提出了一种基于可靠性感知的
在 blast furnace(BF)炼铁过程中,稳定运行对于确保生产效率、产品质量和工业安全至关重要。然而,由于隐私限制和工业 BF 数据的非平稳性,这些数据经常受到伪标签噪声的严重干扰,这影响了模型性能,并使得无法有效识别故障特征。为了解决这些问题,提出了一种基于可靠性感知的无源最优传输(RA-SFOT)框架用于 BF 故障诊断。首先,为了解决源隐私约束问题,源模型仅在标记的源数据上进行预训练,并提取原型以保留可转移的知识而无需访问原始源数据。然后,构建 RA-SFOT 以实现可靠的全局特征分布对齐。最后,设计了一种伪标签可靠性加权机制,并引入时间-频率一致性正则化来减轻伪标签噪声,并在非平稳 BF 信号下增强模型的鲁棒性。广泛的实验验证了所提方法的有效性和优越性。
引言
作为炼铁过程中的关键设备,blast furnace(BF)直接影响生产效率、产品质量和能源利用率(Gao, Wang, Song, Li, Ma, 2026, Jin, Yang, Wang, Zhao, Wang, 2025, Zhou, Cao, Zhang, Jiang, 2026)。在 BF 炼铁过程中,含铁材料、燃料和辅助材料从炉顶加入,同时热空气通过风口吹入以支持燃烧和还原反应,最终产生熔融铁和可回收的副产品气体。blast furnace 炼铁过程(BFIP)如图 1 所示。BF 的稳定运行是确保人员安全和提高生产效率的前提(Zhang et al., 2022)。因此,BF 故障诊断是工业生产中的关键任务。
然而,BF 故障诊断仍然具有挑战性,因为 BF 过程数据中的故障相关信息往往难以获得。当 BF 倾向于异常状态时,操作人员通常会实时调整操作参数以防止故障发生,这使得收集完整的故障演变样本变得困难(Gao et al., 2023)。此外,原材料性质的变化、操作模式的变化和人为干预可能会引入过程变量的显著波动。由于这些操作条件的变化并不总是被明确记录下来,因此很难区分真实的故障状态和正常的工艺变化。这些特性限制了传统监督诊断模型的有效性。
为了解决上述挑战,已经开发了多种 BF 故障诊断方法,包括基于机制知识的方法、基于专家经验的方法和数据驱动的方法(Xu et al., 2025)。其中,数据驱动的方法受到越来越多的关注,因为它们可以从工业过程数据中自动学习故障相关表示。例如,已经研究了多变量统计分析、深度特征学习、协同训练策略和基于图的模型用于 BF 异常状态监测和故障诊断(Gao, Yang, Yang, Chen, Deng, 2023, Jiang, Jiang, Xie, Pan, Gui, 2022, Yang, Yang, Yang, Chen, Lou, Zhu, 2022b, Zhou, Zhang, Xie, Liu, Wang, Chai, 2021, Zhu, Yang, Lou, Yang, 2025)。尽管这些方法提高了 BF 模型的诊断性能,但大多数方法都是在假设有足够的标记数据并且训练和测试数据遵循相似分布的情况下开发的。然而,在实际的 BF 运行中,有限的故障样本和操作条件的变化可能会导致传统数据驱动模型在目标域上的泛化性能下降。为了解决这个问题,引入了迁移学习,通过领域适应(DA)从相关源域提取可转移的知识,从而提高模型在分布漂移和标记数据有限情况下的泛化能力(Tian, Zhang, Luo, Qiao, Yan, Wu, 2026, Zeng, Cheng, Tan, Xu, Jiang, Li, 2025)。然而,传统的 DA 方法通常依赖于源数据。在 BF 故障诊断中,源数据通常包含敏感的过程信息,并且由于隐私、安全或存储限制而无法访问。无源领域适应(SFDA)仅使用未标记的目标数据将源训练的模型适应于目标域(Li et al., 2024),为保护隐私的 BF 故障诊断提供了可行的解决方案。尽管如此,SFDA 在 BF 故障诊断中仍然面临几个关键问题:
1) 负迁移:在基于 SFDA 的 BF 故障诊断中,源模型是在特定操作条件下预训练的,而目标数据是在不同的原材料性质、操作模式和控制策略下收集的(Chen, Wang, Fu, Long, Wang, 2019, Mp, Tu, Chen, Chen, 2024)。这种分布差异可能会削弱源知识在目标域中的适用性,导致负迁移和诊断性能下降(Wang, Dai, Póczos, Carbonell, 2019, Zhan, Zeng, Wang, 2026)。
2) 伪标签噪声:由于目标域标签不可用,目标适应通常依赖于源训练模型生成的伪标签。然而,在较大的领域差异下,伪标签往往不可靠,特别是当目标特征接近决策边界或不同故障状态表现出相似的特征分布时(Li, Wang, Han, 2025, Tian, Zhang, Jiang, Wu, Luo, Yin, 2024)。嘈杂的伪标签可能会引入错误的监督并误导目标域特征表示的学习。
3) 时间-频率变化干扰:BF 过程数据是典型的多变量时间序列信号,容易受到原材料波动、操作条件变化和人为干预的影响(Li and Yang, 2022)。这些因素可能会在时间和频率特征上引入非平稳变化,从而干扰目标特征表示(Furqon, Pratama, Shiddiqi, Liu, Habibullah, Dogancay, 2025, Zhu, Yang, Yang, Gao, Lou, 2023)。
上述挑战表明,基于 SFDA 的 BF 故障诊断不仅需要有效的领域分布对齐,还需要在噪声和非平稳条件下进行可靠的目标域学习。尽管最优传输(OT)对于分布对齐是有效的(Courty et al., 2017),但传统的基于 OT 的数据对齐方法并不适用于无源设置,因为原始源样本不可用,且目标样本可能表现出不同的可靠性水平。此外,将目标样本的可靠性纳入 OT 对齐和伪标签学习对于抑制不可靠样本的影响至关重要(Chen et al., 2024)。
因此,为了解决上述问题,本文提出了一种基于可靠性感知的无源最优传输(RA-SFOT)框架用于 BF 故障诊断。相应的挑战和解决方案如图 2 所示。
本文的主要贡献总结如下:
1) 提出了一种基于可靠性感知的无源最优传输(RA-SFOT)框架用于 BF 故障诊断。RA-SFOT 在不访问原始源数据的情况下保留了源域的区分性知识,并通过基于可靠性感知的最佳传输指导模型学习,从而减少分布差异并在无源设置中实现稳健的故障诊断。
2) 提出了一种基于可靠性的伪标签学习机制来减轻目标域中的伪标签噪声。通过综合考虑邻域一致性、分类器置信度和传输分配置信度来估计目标样本的可靠性,并进一步用于加权伪标签学习目标。
3) 引入了一种时间-频率一致性正则化策略用于非平稳 BF 过程信号。通过强制在时间和频率扰动下的预测一致性,提高了无源目标 DA 的鲁棒性。
本文的其余部分组织如下。第 2 节阐述了无源 BF 故障诊断问题并介绍了源信息。第 3 节详细介绍了所提出的方法。第 4 节展示了实验结果和分析。最后,第 5 节对本文进行了总结。
问题表述
在本文中,考虑了用于 BF 故障诊断的封闭集 SFDA 问题。设标记的源域表示为 ????={(??????,??????)}??????=1,其中 ??????∈???×?? 是第 i 个多变量 BF 过程样本,C 表示过程变量的数量,L 表示时间窗口的长度,??????∈{1,2,…,??} 是相应的故障标签。未标记的目标域定义为 ????={??????}??????=1,其中 ??????∈???×?? 是第 j 个目标域样本。
在封闭集设置中,源和目标...
方法
在没有源数据的情况下,BF 故障诊断在复杂的多操作条件下面临分布差异、伪标签噪声和非平稳时间-频率变化的挑战。为了解决这些问题,本文提出了 RA-SFOT,其整体结构如图 3 所示。
网络架构和参数设置
所有实验都在配备 Intel(R) Core(TM) i7-11700K 处理器和 NVIDIA RTX 3080 Ti GPU 的机器上使用 PyTorch 2.1.1 进行。实验参数总结在表 1 中,RA-SFOT 的网络结构如图 4 所示。
RA-SFOT 由一个双分支时间-频率特征提取器和一个分类器组成。时域分支采用三个块的 1D-CNN,包括卷积、批量归一化、ReLU 激活和最大池化,然后是自适应平均...
结论
本文提出了一种基于可靠性感知的无源最优传输框架 RA-SFOT,用于 blast furnace 故障诊断。为了解决源数据不可用、源-目标分布差异、伪标签噪声和非平稳时间-频率变化的挑战,RA-SFOT 通过源原型保留和基于可靠性感知的最佳传输实现了有效的全局特征对齐。此外,还提出了一种复合可靠性估计机制...
CRediT 作者贡献声明
Xinru Zuo:撰写——原始草稿、方法论、概念化。
Dazhong Ma:撰写——审稿与编辑、项目管理、资金获取。
Qingchen Wang:验证、软件、形式分析。
ZiXin Wang:调查、可视化。
Mingyang Gao:监督、资源、数据管理。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
Xinru Zuo|Dazhong Ma|Qingchen Wang|ZiXin Wang|Mingyang Gao
信息科学与工程学院,东北大学,沈阳,辽宁,110819,中国