摘要
在工业过程中检测早期故障仍然具有挑战性，尤其是在化学过程基准测试中那些难以发现的故障，例如田纳西东曼工艺（TEP）中的故障3、9和15。本文提出了一种新颖的无监督框架，即自调节KAN增强型直接交叉注意力（SMK-DCA）。该框架通过整合原始数据、过程感知特征和滑动窗口奇异值来构建异构特征。Kolmogorov–Arnold网络（KAN）增强了非线性表达能力，随后循环DCA机制实现了异构特征之间的全面交互。基于特征的线性调制（FiLM）能够自适应地调整特征表示，而具有多目标重建功能的稀疏自动编码器则放大了微小的故障信号。通过利用KAN的卓越逼近能力和循环多视图融合技术，所提出的方法能够有效捕捉到传统方法常常忽略的早期故障引起的变化。在TEP上的广泛实验表明，SMK-DCA能够有效检测到故障3、9和15，并且在所有比较的MSPM和深度学习方法中获得了最佳的平均检测率。此外，对IGBT电力系统实际数据的验证证实了该方法在不同工业领域的通用性。
