HMADD：面向化学过程多变量时间序列异常检测与故障识别的混合度量集成框架

《Process Safety and Environmental Protection》：HMADD: A Hybrid Metric-based Integrated Framework for Anomaly Detection and Fault Identification in Multivariate Time Series of Chemical Processes

　　

摘要：异常检测与故障识别对于化学过程中多元时间序列的安全生产至关重要。然而，传统方法面临异常样本稀缺、复杂动态工况以及检测与诊断脱节等挑战。本文提出了一种名为分层多尺度异常检测与诊断（HMADD）的框架。该框架首先引入增强的多尺度挤压-激励时间卷积网络（MS-SE-TCN）作为特征提取的骨干网络，通过并行多尺度卷积和通道注意力机制整合多粒度时间动态，同时抑制噪声。其次，基于对抗域自适应对比支持向量数据描述（ADC-SVDD）算法构建异常检测模块，利用域对抗和对比学习实现对跨域正常样本分布的紧凑建模，提升对未知异常的泛化能力。最后，提出了一种基于度量学习的故障检测投影原型网络（ML-PFN），从有限的标记样本中学习判别性故障原型，以实现精确的少样本故障分类。实验证明，HMADD在异常检测和故障识别方面均表现出卓越的性能，验证了其有效性和鲁棒性。本研究为从异常感知到根因分析的智能监测提供了端到端的可行解决方案。

引言：化学过程是一类典型的工业系统，具有高维度、非线性、强耦合和动态行为等特征（Xiong等人，2023）。其运行涉及复杂的热量传递、质量传递和化学反应机制，过程变量表现出显著的时间依赖特性（Jia等人，2023，Wang和Liu，2024）。由于设备老化、传感器故障、原料变化或外部干扰等因素，化学系统中容易出现异常状况。未能及时检测和诊断此类异常可能导致产品质量下降和能效降低，在严重情况下，可能升级为连锁故障甚至安全事故，造成巨大的环境和经济损失（Han等人，2024，Liu等人，2022）。因此，开发高效准确的异常检测和故障识别方法，对于实现化学过程的智能监测以及增强运行安全性与可靠性具有重要的理论意义和实用价值。

异常检测的核心目标是及时判断从传感器收集的时间序列数据是否偏离了正常运行状态。未能及时识别和诊断异常情况可能导致严重的生产事故、设备损坏甚至人员伤亡（Venkatasubramanian等人，2003）。时间序列数据是指传感器随时间获取的设备、过程和运行参数的顺序记录，用于监测生产状态（R. Wang等人，2024；Zamanzadeh Darban等人，2025）。随着深度学习技术的发展，多元时间序列数据的异常检测引起了越来越多的关注（Kim等人，2024）。现有方法主要采用循环神经网络（RNN）、长短期记忆网络（LSTM）、自编码器（AE）和时间卷积网络（TCN）等深度神经网络来捕捉多元时间序列中的时间特征。Brahmaiah Ram等人（Rama等人，2024）提出了一种基于混合RNN-LSTM架构的异常检测方法，用于短期风力涡轮机监测。Aghaee（Aghaee等人，2023）引入了一种无监督多层模型用于异常检测，该模型将LSTM与自编码器系统相结合，以提高工业制药操作中的异常识别准确性。Tu等人（Tu等人，2024）开发了一种基于注意力的TCN架构，用于多元时间序列异常检测，通过捕捉多元时间序列的特征来提高检测精度。在实际工业数据中，异常通常是罕见的，很容易被大量正常数据点所掩盖。因此，生成对抗网络（GAN）（Goodfellow等人，2014）作为一种通过对抗训练学习生成模型的框架，已被广泛应用于无监督异常检测。例如，Rituraj等人（Singh等人，2024）提出了一种用于实时视频异常检测的约束生成对抗网络，该网络增强了重构正常视频帧与异常视频帧之间的区分，从而提高了视频检测精度。Zhu等人（Zhu等人，2019）引入了一种由LSTM和CNN组成的生成对抗网络来生成心电图数据，以便于异常检测。Bashar等人（Bashar和Nayak，2025）提出了一种调整型LSTM GAN框架，该框架整合了修改后的LSTM网络以增强生成序列输出的质量，从而实现更高效的异常识别。遗憾的是，大多数这些方法都是针对短期时间模式设计的，在处理化学过程场景中常见的长期依赖关系和缓慢漂移时表现不佳。尽管一些新提出的方法试图解决这一问题，但仍面临准确性不足和鲁棒性差等挑战。

与旨在判断系统是否偏离正常运行状态的异常检测不同，故障识别的任务是进一步确定具体的故障类型或定位导致异常的根源变量。数据驱动的故障识别方法由于其不依赖于精确的机理模型和经验知识而得到了快速发展。特别是，深度学习凭借其强大的内在数据模式学习和层次化表示构建能力，在故障识别领域受到了广泛关注。近年来，许多先进的深度神经网络算法已应用于故障识别，并展现出了卓越的性能。例如，深度信念网络（DBN）、卷积神经网络（CNN）和长短期记忆网络（LSTM）等方法得到了广泛应用。Zhao等人（Wu和Zhao，2018）将深度卷积神经网络（DCNN）应用于化学过程的故障识别。Ma等人（Ma等人，2023）利用CNN算法捕捉过程变量的时间特征，随后基于主成分分析（PCA）构建了过程监测模型用于过程故障识别。Song等人（Song和Jiang，2022）开发了一种基于多尺度卷积神经网络的故障诊断模型，将化学过程的时间序列信号数据转换为一组矩阵图以便于故障识别。Zhao等人（Zhao等人，2018）提出了一种基于LSTM的方法用于化学过程的故障识别。Syed和Carter等人（Carter等人，2025）使用状态空间引导的神经网络学习测量值与状态-特征模型估计之间的特征关系，从而增强了故障检测能力。Zhang等人（Xiong等人，2023）采用双向循环神经网络（Bi-RNN）构建了用于复杂单元的故障诊断和检测模型。上述方法主要关注从时间序列数据中提取判别性特征进行故障分类，并在各自的验证场景中取得了良好的结果。然而，在实际化学过程中，故障样本极其稀缺，深度模型在少样本条件下容易过拟合，难以学习可泛化的特征表示。因此，在面对未见过的工况或噪声干扰时，诊断准确率会下降。

近年来，许多研究尝试将异常检测和故障分类整合到一个统一的框架中。（Pu等人，2024）开发了一种增量式生成对抗诊断（IGAD）框架，该框架采用Bi-GAN提取潜在特征，并结合少样本使能的一类学习（FSEOCL）实现对新到达样本的异常检测和故障分类。（Z. Wang等人，2024）提出了一种整合特征提取与基于密度的异常检测的印刷电路板框架，通过偏差矩阵聚类实现故障区分。（Ali等人，2026）将DiGLPP与ANFIS及因果谱系图相结合，构建了用于化学过程监测的混合因果推理框架，实现了故障检测和分类。（Tang等人，2025）提出了一种面向锂离子电池的云基分层异常检测策略（C-HADS），通过特征筛选和XGBoost分类进行异常识别，并进一步使用LOA和VCDM模型完成故障识别。然而，这些混合模型通常将异常检测和故障识别视为独立任务，没有利用检测阶段学习的正常数据分布特征作为先验知识来指导分类器，从而削弱了少样本条件下的诊断泛化能力。因此，如何实现两者之间的阶段协同优化并有效利用无监督先验知识仍然是一个需要解决的关键问题。

基于上述挑战，本文提出了一种分层多尺度异常检测与诊断（HMADD）框架。该框架主要由三个部分组成：首先，设计增强的多尺度挤压-激励TCN（MS-SE-TCN）架构作为特征提取的骨干网络；其次，基于对抗域自适应对比支持向量数据描述（ADC-SVDD）算法构建异常检测模块；第三，引入基于度量学习的故障检测投影原型网络（ML-PFN）。作为特征提取引擎，MS-SE-TCN采用并行多尺度卷积和通道注意力机制来有效抑制高维传感器数据中的噪声并捕捉多粒度时间动态特征，从而构建高质量、域不变的潜在特征空间。ADC-SVDD执行无监督异常检测，并将划界正常数据边界期间学习的分布特征和拓扑结构作为先验知识传递给后续的ML-PFN模块。当检测到异常时，ML-PFN通过在预先构建的度量空间中精确匹配极其稀缺的故障样本与可学习的分类原型来进行故障识别。

本文的主要贡献如下：
1）针对工业实践中异常预警与故障根因分析脱节以及小样本条件下诊断模型开发成本高等挑战，本文提出了一种名为HMADD的集成算法框架。该框架首次将多尺度特征提取、带对抗域自适应的无监督异常检测和少样本故障识别整合到统一框架中。通过利用异常检测期间学习的正常分布特征作为先验知识来指导后续的故障分类，该框架实现了从原始时间序列数据输入到具体故障类别输出的自动化端到端诊断，显著增强

TCN的关键特征主要包括三个核心特性：因果卷积、空洞卷积和残差连接。因果卷积确保每个时间步的输出仅依赖于The Proposed Method（所提方法）在化学工艺等复杂多变量系统的智能监控中，经常面临通道噪声干扰、关键时序信息丢失以及类别不平衡等挑战。为解决这些问题，本文提出了一种名为HMADD的算法框架。该框架采用分阶段、分层级的架构设计，将整个过程划分为三个核心模块：1）提出MS-SE-TCN作为多尺度骨干网络Experiment 1 - Mars Science Laboratory Dataset（实验一：火星科学实验室数据集）火星科学实验室（MSL）数据集用于验证异常检测算法的性能，该数据集包含由NASA太空船采集的真实数据，并含有从太空船监控系统异常事件报告中提取的异常信息。MSL数据集标注了36个异常事件，训练集包含58,317行，测试集包含73,729行；训练集为未标注数据。该数据集源自实际太空船任务运行，其异常Conclusions（结论）本文针对化学工艺多变量时间序列监控中的关键挑战，包括异常检测与故障识别之间的脱节、小样本条件下诊断模型开发成本高、复杂工业数据中特征提取与抗干扰能力不足等问题。为此，提出了一种名为HMADD的集成算法框架。该框架通过Uncited references（未引用参考文献）（Bounoua and Bakdi, 2021, Hartung et al., 2023, Li et al., 2021, Li et al., 2025, Li et al., 2023, Wang et al., 2024, Zadakbar et al., 2013）Funding（资金支持）本研究由新疆维吾尔自治区重点研发计划（批准号：2023B01031-1）及新疆维吾尔自治区"天山英才"培养计划（批准号：2023TSYCLJ0051）资助。CRediT authorship contribution statement（作者贡献声明）吕凯：资源、调查。文鹏涛：初稿撰写、方法学、数据管理。袁亮：审阅与编辑、可视化。彭桂：初稿撰写、软件、方法学、数据管理、概念构思。陶青：审阅与编辑、概念构思。Declaration of Competing Interest（利益冲突声明）作者声明，他们不存在可能影响本文研究成果的任何已知竞争性经济利益或个人关系。Gui Peng | Qing Tao | Pengtao Wen | Liang Yuan | Kai Lv（彭桂 | 陶青 | 文鹏涛 | 袁亮 | 吕凯）