概率慢特征对比学习（PSFCL）：提升复杂工业过程早期故障诊断性能的创新框架

《Computers & Chemical Engineering》：PSFCL: A Probabilistic Slow Feature Contrastive Learning approach for incipient fault diagnosis in industrial processes

这篇研究论文提出了一种名为概率慢特征对比学习（PSFCL）的新颖框架，用于工业过程的早期故障诊断。该方法通过结合Jensen-Shannon散度（JSD）提取表征时域缓慢性和分布差异性的概率慢特征，并将其融入对比学习架构中生成正负样本对，从而学习更具判别性的特征表示。一个慢度引导机制在训练中自适应调整模型参数，强化了故障特征的提取。最终，学习到的特征被送入Softmax分类器进行故障诊断，无需参数微调。在田纳西-伊斯曼过程（TEP）基准测试中的验证表明，该框架在诊断精度和鲁棒性上均优于现有先进方法，为保障工业过程安全提供了新方案。

　　

亮点

• •
  1. 1.
     提出了一种新颖的概率慢特征对比学习框架，将概率慢特征整合到对比学习模型中，以深度提取故障特征，为工业过程早期故障诊断提供了新范式。
• •
  1. 2.
     针对早期故障的特点，该方法结合Jensen-Shannon散度（JSD）提取样本的概率慢特征。这种方法使模型对数据中的早期变化更加敏感，即使在存在强噪声干扰时也能确保稳定性。
• •
  1. 3.
     所提出的方法旨在解决工业过程中常见的一系列复杂故障场景。与流行的故障诊断方法（包括深度卷积神经网络、深度慢特征分析和基于监督对比学习的方法）相比，PSFCL在TEP基准测试中对早期故障、相似故障和多类型故障数据集均实现了更优的诊断性能。消融研究进一步证实，概率慢特征提取与对比学习的集成对PSFCL的性能至关重要。

结论

早期故障诊断由于故障特征的微妙性和原始数据的复杂性，仍然是工业过程监控中的一个关键挑战。本文提出了一种基于概率慢特征对比学习（PSFCL）的早期故障诊断方法，该方法利用在概率潜在空间内操作的深度特征提取框架。通过整合对比学习，所提出的方法有效地放大了细微的故障相关特征，从而显著提高了诊断准确性。