一种轻量级的混合时序表示网络，结合门控注意力聚合机制用于多变量工业过程故障诊断：以田纳西东曼公司（Tennessee Eastman）的工艺研究为例

《Process Safety and Environmental Protection》：A Lightweight Hybrid Temporal Representation Network with Gated Attention Aggregation for Multivariate Industrial Process Fault Diagnosis: A Tennessee Eastman Process Study

　　

易立|曾卓鹏|于守康|郭建安|马丹·库马尔|彭世通

摘要

工业过程故障诊断在边缘或现场监控系统中的应用日益广泛，这些系统面临着严格的延迟和计算资源限制。然而，许多先进的时间模型仍然依赖大量参数，且难以同时捕捉多变量过程数据中的长距离依赖性和多尺度时间模式。为了解决这些问题，我们提出了一种轻量级的混合时间表示网络（LHTRN），用于高效进行工业故障诊断。具体而言，我们使用长短期记忆网络（LSTM）编码器来压缩序列上下文信息；引入多尺度扩张卷积解码器，在异构感受野下提取时间模式，使模型能够同时表征瞬态变化和长期趋势。此外，我们设计了一种门控注意力聚合器，能够自适应地突出故障相关的时间步骤并抑制冗余的时间响应。我们在Tennessee Eastman Process（TEP）数据集上对LHTRN进行了基准测试，与五种代表性基线模型（如TCN-BiLSTM、TimesNet、Transformer、MCNN-DBiGRU和ResNet）进行了对比。实验结果表明，LHTRN在参数数量和计算量（FLOPs）大幅减少的情况下，准确率达到了98.07%。特别是，其准确率比最强基线模型高出2.5%，而参数数量仅约为后者的5%。消融研究进一步验证了各关键组件的贡献。这些结果表明，LHTRN在诊断性能和计算成本之间取得了良好的平衡，适用于低延迟、资源受限的工业故障诊断场景。