MOLA：利用多块正交长短期记忆自编码器增强工业过程监控
机器学习
2025-10-31 v2
摘要
在这项工作中，我们提出了MOLA：一种多块正交长短期记忆自编码器范式，用于对工业过程进行准确、可靠的故障检测。为此，MOLA通过引入基于正交性的损失函数来约束潜在空间输出，从而有效地提取动态正交特征。这有助于消除所识别特征中的冗余，从而提高整体监控性能。在此基础上，我们提出了一种多块监控结构，该结构通过利用关于过程变量与整体过程关联的专家过程知识，将过程变量分类到多个块中。每个块都与其特定的正交长短期记忆自编码器模型相关联，该模型提取的动态正交特征通过基于距离的Hotelling 统计量和基于分位数的累积和（CUSUM）进行监控，后者专为非参数、本质异质的多变量数据流设计。与使用单个模型处理所有过程变量相比，这种多块结构显著提高了整体过程监控性能，尤其适用于大规模工业过程。最后，我们提出了一种自适应权重贝叶斯融合（W-BF）框架，将所有块的监控统计量聚合为一个全局统计量以监控故障，其目标是通过根据警报发出的顺序为块分配权重来提高故障检测速度。我们通过将MOLA框架应用于田纳西伊士曼过程，并将其性能与各种基准方法进行比较，证明了其效率和有效性。
引用
@article{arxiv.2410.07508,
title = {MOLA: Enhancing Industrial Process Monitoring Using Multi-Block Orthogonal Long Short-Term Memory Autoencoder},
author = {Fangyuan Ma and Cheng Ji and Jingde Wang and Wei Sun and Xun Tang and Zheyu Jiang},
journal= {arXiv preprint arXiv:2410.07508},
year = {2025}
}
备注
24 pages, 9 figures, 11 tables. Submitted to Processes