STAG-MVFD：一种基于时空注意力引导的多视图融合框架，用于化学过程故障诊断

《Process Safety and Environmental Protection》：STAG-MVFD: Spatio-temporal attention-guided multi-view fusion framework for chemical process fault diagnosis

针对化学过程故障诊断中单一数据模态的局限性，提出时空注意力引导多视图融合框架STAG-MVFD，创新性整合连续过程信号与离散报警序列，通过双流架构分别提取动态时序特征和拓扑空间关系，并采用自适应注意力机制实现多模态特征融合，显著提升复杂工况下的诊断精度与鲁棒性。

　　

何亚东|孙冰|徐伟|王金江|苟成东

中国石油大学安全与海洋工程学院，北京102249，中国

摘要

在化学过程中，故障诊断对于确保工业安全和生产完整性至关重要。然而，现有方法主要依赖于单模态数据，无法全面捕捉故障的多维特性。为了解决这一局限性，本文提出了一种时空注意力引导的多视图融合框架，该框架通过双流架构创新性地整合了两种互补的视图：连续过程数据和离散报警序列。首先，采用增强的时间特征提取网络从连续过程信号中捕捉时间动态演化特征；其次，利用报警序列图神经网络从离散报警事件中提取变量之间的拓扑关系；最后，通过注意力引导的融合机制自适应地平衡两种数据源的贡献，从而实现更智能、更稳健的决策。为了验证所提出方法的有效性，我们在田纳西东曼工艺和实际流体催化裂化反应再生工艺上进行了广泛的实验和比较分析。结果表明，我们的方法在准确性、精确度、召回率和假阳性率等多个评估指标上显著优于基准方法。消融研究和鲁棒性测试进一步证实了多视图融合策略的有效性，为复杂化学过程中的安全监测提供了可靠的基础。

引言

现代化学工艺厂的特点是大规模的安装和复杂的工艺流程，这些工艺流程通常在高温高压等严苛条件下运行，并且需要处理易燃、易爆或有毒物质（Zheng和Zhao，2022）。这些固有的危险对操作安全构成了持续的挑战（Lawrence等人，2024）。未被检测或诊断出的工艺故障可能会引发连锁故障，最终导致对人类生命、财产和环境造成严重后果的灾难性事件（Wang和Zhao，2025）。因此，开发高效可靠的故障检测和诊断技术对于确保工艺安全和提高操作可靠性至关重要（Akund等人，2026）。

作为工艺安全管理系统的一个关键组成部分和增强的独立保护层，故障诊断直接影响动态风险评估的及时性和准确性（Li等人，2023）。高精度的早期故障诊断技术可以显著提高工艺的韧性，并增强系统在干扰下保持安全运行和快速恢复的能力（Alauddin等人，2023）。近年来，随着传感器技术和分布式控制系统的快速发展，数据驱动的智能故障诊断方法已成为研究的热点（Ewuzie等人，2025）。这些方法能够从大量的工艺数据中自动学习故障特征和模式，有效缓解了传统基于机制的模型在复杂系统中的局限性（He等人，2025）。它们有效地解决了将传统基于机制的模型应用于复杂系统时遇到的困难。因此，它们已成为行业专业人士准确识别各种风险、系统地进行工艺安全监测、事故建模、可靠性评估和完整性管理的宝贵工具（Zarei等人，2023）。目前，主流的研究范式侧重于基于深度学习方法（如卷积神经网络（CNN）、长短期记忆网络（LSTM）及其变体）的工艺数据多维故障特征挖掘（Song和Jiang，2022；Zhao等人，2024；Li等人，2024）。这些模型在从时间序列数据中提取动态特征方面表现出强大的能力，并在许多基准问题上取得了显著成果。此外，图神经网络（GNN）在化学过程监控领域也受到了广泛关注。通过基于变量相关性构建图结构，它们能够有效捕捉工艺参数之间的空间依赖性（Jia等人，2025a）。这为分析故障传播路径和支持生命周期工艺安全提供了新的见解（Liu等人，2026）。然而，现有方法主要关注单一数据模态（即连续过程信号）内的特征提取、拓扑分析和建模。它们未能充分利用工业过程中不同类型数据提供的互补信息。因此，在面对复杂故障场景或数据质量下降时，诊断的鲁棒性可能会显著降低。

值得注意的是，在工艺行业的生产单元连续运行过程中，存在两种“同源但异构”的数据流，它们共同表征了工艺的健康状态：实时过程信号和参数报警事件。虽然这两种数据都来源于相同的物理化学过程并反映了相同的操作状态，但它们在数据结构、语义意义和表示形式上存在根本性的差异，构成了一个典型的多模态信息框架。连续过程信号提供了系统状态的定量、不间断的描述，而报警事件则代表了安全阈值违规的离散、定性指标（Parvez等人，2025）。关键的是，化学过程故障通常通过时间动态特征（通过过程信号的时间动态分析可以捕捉到）和空间传播特征（通过变量间报警事件的拓扑传播模式可以识别）表现出来。一些现有研究尝试建立多模态机制或应用门控循环单元进行工艺监控（Zhang等人，2023；Liu等人，2025；Song等人，2026）。然而，这些方法通常采用统一的架构来处理不同的模态，或者专注于在不同尺度上捕捉依赖性。它们往往无法有效处理连续信号和离散报警之间的相关性，难以完全适应两者之间的固有结构和语义差异。因此，一个亟待解决的问题是如何有效处理这种多模态、异构耦合的数据，以及建立一种自适应的分配机制以实现深度跨模态特征融合和协作建模。

基于这一基础，本文提出了一种时空注意力引导的多视图融合故障诊断框架（STAG-MVFD），它将连续过程数据和离散报警序列视为多视图学习范式中的两种互补视图，以全面捕捉化学过程中故障的时空演化模式。具体而言，该框架包括三个核心组件：（1）一个增强的时间特征提取网络，该网络结合了位置编码机制和多尺度卷积架构，从原始高维时间序列数据中提取细粒度的短期依赖性和动态演化模式；（2）一个报警序列图神经网络，将报警事件建模为图结构数据，通过揭示变量之间的内在空间依赖性，有效表征故障在工艺拓扑中的拓扑传播特性；（3）一个注意力引导的融合机制，通过可学习的注意力机制动态评估每个视图对工艺故障的诊断贡献，自适应地平衡这些互补数据源的权重，以实现特征级的融合，从而实现准确的故障分类。

本研究的主要贡献如下：

(1)

我们提出了一种新的多视图融合范式用于故障诊断，首次将过程数据的时间动态与报警数据的空间相关性结合起来，提供了对工艺状态的更全面描述。

(2)

我们设计了两个专门的深度子网络，分别从时间和空间视图深度提取区分性特征，提高了诊断的准确性和鲁棒性。

(3)

我们开发了一种基于注意力的动态融合模型，能够根据特定的故障类型自适应地调整视图贡献，增强了模型对未见操作条件和噪声干扰的适应性。

本文的其余部分组织如下：第2节回顾相关工作；第3节详细阐述STAG-MVFD框架的组成部分；第4节通过田纳西东曼（TE）工艺和流体催化裂化（FCC）反应再生工艺的实验来验证所提出的方法；第5节总结本文并概述未来的研究方向。

部分摘录

数据驱动的故障诊断方法

数据驱动的故障诊断方法已成为确保化学过程安全运行的关键技术，从多变量统计学习和经典机器学习发展到现代深度学习方法（Ma等人，2025）。多变量统计技术，包括主成分分析（PCA）和偏最小二乘法（PLS），以及它们的核化变体（Botre等人，2016；Dong和Qin，2018；Fezai等人，2018；Harkat等人，2019）

所提出的方法

本节详细介绍了图1中所示的STAG-MVFD框架。该框架采用了一个高效的处理流程，包括双流输入、独立特征提取、动态特征融合和分阶段优化。首先，从生产过程中同步获取两个同源但异构的过程数据流作为输入。其次，通过专用子模型提取时间动态特征和空间拓扑特征。

实验

实验环境配置为Windows 10操作系统、Intel (R) Xeon (R) Gold 5218 CPU（2.30 GHz）、NVIDIA GeForce RTX 3090 TI（24 GB）显卡和32 GB RAM。所提出的STAG-MVFD框架使用python 3.9和五个主要的开源机器学习库实现：Numpy、Pandas、Scikit-learn、Tensorflow和Keras。

结论

本文提出的STAG-MVFD框架通过系统地将过程数据的时间动态特性与报警序列的拓扑传播特性结合起来，成功解决了单模态方法在化学过程故障诊断中的局限性。TE工艺和FCC反应再生工艺的实验表明，该框架不仅在诊断准确性上超越了现有方法，更重要的是，揭示了

CRediT作者贡献声明

徐伟：撰写 – 审稿与编辑、资源获取。王金江：撰写 – 审稿与编辑、方法论、形式分析。苟成东：撰写 – 审稿与编辑、资源。何亚东：撰写 – 原始草稿、可视化、验证、方法论、概念化。孙冰：撰写 – 审稿与编辑、监督、方法论。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了国家自然科学基金（编号：22378437）、国家重点研发计划（编号：2024YFC3013603）和化学安全国家重点实验室开放项目（编号：SKLCS-2025020）的支持。