深度变分典型相关分析在智能工业过程监控与异常检测中的应用

《Canadian Journal of Chemical Engineering》：Deep variational canonical correlation analysis for intelligent industrial process monitoring and anomaly detection

智能过程监控中的非线性依赖建模与高效故障检测

　　

摘要

确保现代工业系统的安全可靠运行需要先进的监控框架，这些框架能够区分与质量相关的故障和与过程相关的故障。传统的多变量统计方法（如偏最小二乘法（PLS）和典型相关分析（CCA）及其动态扩展方法）往往无法捕捉非线性关系，并且在噪声较大或规模较大的场景中表现出较低的鲁棒性。为了克服这些限制，本研究开发了一种深度变分典型相关分析（DVCCA）框架，用于智能过程监控。通过将典型相关分析嵌入到概率潜在变量模型中，DVCCA能够在保持其概率结构可解释性的同时，实现对过程变量和质量相关变量之间非线性依赖关系的同时建模。构建了一组监控指标，包括$$、$$和$$，以捕捉潜在子空间的偏差和重构误差，控制限通过核密度估计得出。在三相流设施中，DVCCA对质量相关故障的故障检测率（FDR）达到了71.06%，误报率（FAR）低至0.06%；对于过程相关故障，FDR达到了98.69%。在核电站案例中，所提出的方法实现了接近100%的检测准确率，同时误报率接近零。这些结果证实了DVCCA在安全关键工业应用中的有效性和鲁棒性。

利益冲突声明

作者声明没有潜在的利益冲突。

同行评审

为了保证透明度，与本文相关的同行评审文件可在https://doi.org/10.1002/cjce.70391获取。

第二轮评审
编辑决定函	2026/02/17
作者回复附件1	2026/02/14
第一轮评审
编辑决定函	2026/02/04
评审员3报告	2026/02/04
评审员2报告	2026/02/04
评审员1报告	2026/01/29

数据可用性声明

支持本研究发现的数据可向相应作者索取。由于隐私或伦理限制，这些数据不能公开。