基于注意力再校准的多尺度深度慢特征分析的可解释过程监测与层次化根因分析

《Engineering Applications of Artificial Intelligence》：Interpretable process monitoring and hierarchical root cause analysis based on attention-recalibrated multi-scale deep slow feature analysis

　　

现代工业过程监测与诊断面临着复杂时空动态性以及数据驱动模型可解释性不足的挑战。为应对这些挑战，本文提出了一种可解释的深度学习框架：基于慢特征分析（Slow Feature Analysis, SFA）的注意力再校准多尺度卷积神经网络（Attention-Recalibrated Multi-Scale Convolutional Neural Network, MSCNN-SFA）。该框架首先采用并行多尺度架构来解耦不同时间尺度上的过程动态。其次，以核心过程状态本质上是慢变（slow-varying）的物理先验为指导，将慢度原则（slowness principle）融入组合损失函数中，从而引导网络学习能够捕捉底层过程动态且对关键状态变化保持敏感的表征。此外，挤压-激励（Squeeze-and-Excitation, SE）注意力机制增强了用于监测的关键特征通道，同时生成的权重用于指导诊断。最后，为实现深层可解释性，研究人员开发了一种新颖的层次化回溯机制。该机制首先识别故障的主导时间尺度，然后采用双路径策略，结合基于梯度的动态因果关系与基于权重的静态结构来相互印证根原因，确保故障定位的高置信度。该框架在三个工业基准上进行了验证，与先进算法相比，展现了卓越的过程监测性能，同时提供了有效且可解释的根因分析。

**论文解读：基于注意力再校准多尺度深度慢特征分析的可解释过程监测与层次化根因分析**

**研究背景与问题**

现代工业系统向大规模、高度集成化方向发展，呈现出强耦合、非线性和动态时变等复杂特性，对过程监测与故障诊断提出了根本性挑战。现有研究方法主要分为三类：基于机理的、基于知识的和基于数据驱动的方法（Wu et al., 2025; Bathula et al., 2024; Yu et al., 2024; Tu et al., 2026）。机理模型虽具可解释性，但依赖于难以获取的先验知识；知识方法受限于高昂的获取成本和不完备性；因此，能从海量数据中直接学习的数据驱动方法成为主流（Fan and Chen, 2025）。然而，传统多变量统计方法如主成分分析（Principal Component Analysis, PCA）（Haq and Abdul, 2021; Yang et al., 2025a）、独立成分分析（Independent Component Analysis, ICA）（Chen et al., 2025; Ge and Song, 2013）和偏最小二乘法（Partial Least Squares, PLS）（Liu et al., 2026; Kong et al., 2023），均基于线性及独立同分布（Independent and Identically Distributed, I.I.D.）样本的假设，这与现代工业过程的非线性和动态本质相矛盾，导致监测灵敏度受限，且诊断精度因模糊效应（smearing effect）而下降。尽管其扩展方法如核主成分分析（Kernel PCA, KPCA）（Wang et al., 2023）和动态主成分分析（Dynamic PCA, DPCA）（Jiang et al., 2026）部分缓解了这些问题，但KPCA计算复杂度高且对核函数选择敏感，DPCA的时序数据增强可能引发维度灾难并掩盖深层时间结构。关键问题在于，现有方法缺乏一个能够端到端学习非线性、动态耦合特征并提供可解释诊断信息的统一框架。

慢特征分析（Slow Feature Analysis, SFA）（Yang et al., 2025b）作为一种基于信息论的方法，通过最小化输出信号的时间变化率，能够从高维快速变化的观测中分离出持久的驱动力，并按时间尺度分离思想（数据空间分解为慢特征动态子空间和残差子空间）实现动态规律性与模型拟合度的独立监测。但经典SFA的线性变换假设严重限制了其对复杂非线性的处理能力（Huang et al., 2017）。为此，研究者沿两条技术路径探索：基于核的扩展（如动态核慢特征分析（Dynamic Kernel SFA, DKSFA）（Zhang et al., 2015）、批量动态核SFA（Batch Dynamic Kernel SFA, BDKSFA）（Zhang et al., 2017）、全局保持核SFA（Global Preserving Kernel SFA, GKSFA）（Zhang et al., 2018））以及SFA的深度集成（如基于卷积长短期记忆（Convolutional Long Short-Term Memory, ConvLSTM）的慢特征分析自编码器（SFA-AE）（Li et al., 2022）、图注意力SFA（Lv et al., 2024）、慢特征分析变分自编码器（SFAVAE）（Wang et al., 2021））。然而，这些方法在迈向工业应用时仍存在两个瓶颈：一是建模粒度不足以解耦多尺度动态（如瞬态冲击、振荡、长期漂移），现有单尺度模型（如长短期记忆网络（Long Short-Term Memory, LSTM）（De Smedt and De Weerdt, 2024）、门控循环单元（Gated Recurrent Unit, GRU）（Zhang et al., 2023b）、固定感受野的卷积神经网络（Convolutional Neural Network, CNN）（Ding et al., 2022））难以在同一模型中显式解耦这些不同模式；二是诊断深度与可解释性有限，传统基于重构的贡献分析（Alcala and Qin, 2010）易受模糊效应影响且混淆相关性与因果性，自注意力机制（Bi and Zhao, 2021）仅提供静态变量重要性，而监督分类器（如原型网络（Chai and Zhao, 2022））需要大量故障样本，均缺乏能够系统进行层次化故障逻辑追溯的统一诊断框架。

为应对这些挑战，本文提出一种新颖框架：基于注意力再校准的多尺度卷积神经网络与慢特征分析（MSCNN-SFA）。该框架首先采用并行多尺度架构精细建模不同时间尺度的复合动态模式；其次，以核心过程状态慢变（slow-varying）的物理先验为指导，将慢度原则作为损失正则化项，引导网络学习鲁棒的非线性特征；最后，构建系统化的双路径诊断框架，通过多级回溯与交叉验证，实现从宏观统计偏差到微观根因变量的层次化根因分析。

**主要关键技术方法**

研究人员主要采用了以下关键技术方法：
（1）**注意力再校准的多尺度特征提取器**：采用并行多尺度卷积核捕捉不同时间尺度特征，并在瓶颈层引入挤压-激励（Squeeze-and-Excitation, SE）注意力模块，自适应增强对过程状态敏感的特征通道。
（2）**慢特征分析的慢度原则作为学习约束**：将SFA的慢度原则集成到组合损失函数中，引导网络学习捕获底层过程动态的鲁棒非线性慢特征，提升监测统计量对故障引起的动态偏移的敏感性。
（3）**双路径层次化根因分析框架**：通过多级回溯首先识别故障的主导时间尺度，然后采用双路径策略，结合基于梯度的敏感性与基于权重的结构贡献相互印证根原因，实现从变量级到动态尺度级的可解释故障定位。

**研究结果**

**A. 田纳西-伊士曼（TE）过程案例**
通过田纳西-伊士曼（Tennessee Eastman, TE）过程基准，将所提MSCNN-SFA与PCA、SFA、动态SFA（DSFA）、深度SFA（DeepSFA）、SFA-AE（ConvLSTM）等方法进行对比。在故障检测率（Fault Detection Rate, FDR）和误报率（False Alarm Rate, FAR）指标上，MSCNN-SFA在21种故障中的多项上取得了最优FDR，平均FDR显著高于对比方法，同时保持了较低的FAR。例如，在故障1（阶跃变化）、故障4（阶跃变化）和故障13（缓慢漂移）等代表性案例中，MSCNN-SFA的检测延迟更短，且能更早捕获动态偏移。在根因分析方面，通过层次化回溯，首先识别出该故障的主导时间尺度为慢尺度（慢特征子空间），随后通过双路径策略（梯度动态因果性与权重静态结构）的交叉验证，准确定位到关键变量（如反应器进料成分和冷却水温度），有效避免了传统贡献图的模糊效应。

**B. 铝电解过程案例**
在铝电解过程中，MSCNN-SFA同样展现出优于对比方法的监测性能。针对铝槽电压波动异常，模型成功检测到传统方法难以识别的早期异常。在根因分析中，层次化追溯首先指出故障的主导时间尺度为中等时间尺度（对应过程振荡模式），随后通过双路径策略，从梯度路径（动态因果分析）发现阳极效应前置指标变量（如电解质电阻）的贡献突增，从权重路径（静态结构贡献）证实该变量对监测统计量的贡献最高。这一结果与工艺机理一致，验证了诊断的可解释性。

**C. 污水处理过程（WWTP）案例**
在污水处理过程（Wastewater Treatment Process, WWTP）基准上，MSCNN-SFA在检测进水流量波动等常见故障时，FDR显著高于对比方法。对于溶解氧传感器漂移故障，层次化根因分析首先将故障归因于慢尺度（长期漂移模式），随后双路径策略共同指向曝气池溶解氧传感器及相关空气流量控制变量。该分析准确地反映了传感器漂移的物理本质，避免了将相关性误判为因果性。

**讨论与结论**

研究人员总结指出，所提MSCNN-SFA框架通过多尺度CNN捕捉不同时间尺度动态模式，并创新性地集成SFA慢度原则作为学习约束，引导网络学习鲁棒的低维潜在特征。基于重构误差和动态慢特征构建的监测统计量（T²和S²），增强了对故障的敏感性。层次化诊断系统通过多级回溯先识别故障主导尺度，再通过双路径策略结合梯度与权重信息实现高置信度根因核实。三个工业案例（TE过程、铝电解过程、污水处理过程）验证了该方法在监测性能和可解释诊断方面的优越性。未来工作将探索如何降低方法对丰富故障样本的依赖，并提升其极早期故障预警能力。