深度并行特征融合网络结合时间卷积网络和双向门控循环单元，用于工业过程建模与故障诊断

《Process Safety and Environmental Protection》：Deep parallel feature fusion network with temporal convolutional network and bidirectional gated recurrent unit for industrial process modeling and fault diagnosis

工业过程故障诊断中，针对传统CNNs难以捕捉长时依赖、RNNs弱化局部特征及简单串联模型时空信息利用不足的问题，提出TSBG-Net混合模型，通过TCN-SENet分支提取多变量通道时空特征，BiGRU结合全局注意力机制捕获时序依赖，最终融合模块实现特征整合。在TE工业数据集和焦炉工业数据集验证中，模型显著提升故障检测准确率与诊断鲁棒性。

　　

陈晨|张瑞东|高芙蓉

杭州电子科技大学信息与控制研究所，中国杭州310018

摘要

工业过程故障诊断对于确保生产安全和质量至关重要。尽管基于深度学习的故障诊断方法已经取得了显著进展，但现有模型仍存在局限性。传统的卷积神经网络（CNN）难以捕捉时间序列中的长期依赖关系，而循环神经网络（RNN）及其变体对关键局部特征的感知能力较弱。此外，大多数研究采用简单的串行模型，未能充分利用数据中的空间和时间模态信息，导致特征提取不完整且模型泛化能力有限。为了解决上述问题，本文提出了一种混合深度学习模型TCN-SENet+BiGRU-GlobalAttention（TSBG），该模型整合了时间卷积网络（TCN）、挤压-激励（SE）通道注意力机制、双向门控循环单元（BiGRU）和全局注意力机制。该模型通过TCN-SENet分支捕获数据的“空间特征”（从多变量通道维度提取的特征），利用BiGRU结合全局注意力机制提取时间依赖关系和重要时间特征，最后通过融合模块实现有效的特征整合。所提出的方法已在Tennessee-Eastman（TE）数据集和工业焦炉数据集上进行了测试，结果表明TSBG-Net模型在故障检测和诊断方面表现更佳。

章节摘录

引言

随着工业4.0和智能制造战略的深入发展，现代工业系统正迅速向更大规模、更复杂、自动化和连续化的运营方向发展。在航空航天、能源与电力、高铁和高端设备制造等关键工业领域，生产系统的安全、稳定和高效运行至关重要（Wang等人，2021a）。在过程系统中，当机器或设备发生故障时，可能会

TSBG-NET模型

为了大规模工业过程中的故障检测和诊断，本文提出了一种基于时空双流特征提取的并行网络模型。该方法包括四个组成部分：双分支特征提取模块、特征融合模块和分类模块。具体模型结构如图1所示。

参数选择和结构分析

所提出的模型架构如图1所示。数据预处理包括最小-最大归一化、数据打乱、独热编码以及数据分为训练集和测试集。输入包括每个样本的时间节点信号。

“空间特征”提取采用了改进的时间卷积网络（TCN）残差块：每个块由两层Conv1D、BatchNorm、ReLU和Dropout=0.2组成。每个卷积层的滤波器数量为128，核大小为3，填充方式为‘same’

评估指标

为了定量评估模型性能，除了分析诊断准确性（Acc）外，我们还使用精确度（P）、召回率（R）、F1分数（F1）和Cohen's Kappa系数（Kappa）来评估模型。精确度关注正类预测的准确性，衡量模型识别真正例的能力；召回率关注正确识别为正例的正样本比例，衡量模型检测所有正例的能力。接近1的值表示

结论

本文提出并系统验证了一种以工业过程故障诊断为中心的TSBG-Net并行融合模型。其目标是通过明确分离和协同提取“空间”和时间特征，提高复杂操作条件下多变量工业过程的故障检测和识别能力。其中一个分支基于改进的时间卷积网络（TCN）结合通道注意力（SENet）

CRediT作者贡献声明

张瑞东：监督工作。高芙蓉：资源提供。陈晨：撰写——初稿。

利益冲突声明

作者声明不存在利益冲突