摘要 本文提出一种集成视觉转换器(vision transformer, ViT)与无监督域适应(unsupervised domain adaptation, UDA)的跨域识别方法 (cross-domain identification methods, CDIM),并将其用于烧结过程氧化亚铁(ferrous oxide, FeO)含量的智能识别.首先,针对实际工业标签数据稀缺和多工况数据分布不一致的问题,所提CDIM通过引入无监督域适应(unsupervised domain adaptation, UDA)技术,减少对标签数据的依赖,同时减缓不同工况下数据分布不一致对模型性能的影响.其次,针对源域和目标域的特征对齐问题,通过域混合模块(domain mixing module, DMM)构建中间域,从而在域级别上进行粗粒度层面的对齐;同时,采用局部域适应模块(local domain adaptation module, LDAM)在token级别上进行细粒度层面对齐,提取域不变特征;此外,通过博弈策略(game strategies, GS)与自细化策略(self-refinement strategies, SRS)缩小域间差异,并通过优化相应损失函数以进一步增强模型的准确性.最后,将所提方法在两个基准数据集上进行测试,并进行实际烧结工业数据的实验.结果表明:所提CDIM方法能够完成多种不同领域的跨域识别任务,并且在烧结矿FeO含量跨域识别任务中表现最为优异,为提高烧结矿质量及优化后续工艺操作提供有力支持.

关键词 无监督域适应; 视觉转换器; 跨域识别; 博弈策略; 自细化策略; 氧化亚铁含量识别; unsupervised domain adaptation; vision transformer; cross-domain recognition; game strategy; selfrefinement strategy; ferrous oxide content recognition

摘要 模型库是高端工业软件的核心组件.“无免费午餐”定理证明没有一种模型能在所有场景中表现良好,根据对象特性确定合适的模型至关重要.然而,常见的模型选择过程繁琐,需要逐一训练候选模型,并根据性能评估来确定最佳模型,这需要大量的标签信息和计算资源.本研究的重点是通过不依赖逐一实验和评估的方式,快速为无标签的目标数据选择合适的模型,提高工业软件模型库对各种工业对象快速支撑和规模应用的能力.本文首次将电子商务推荐系统的理念引入工业领域,提出了工业模型推荐系统的概念,指出并解决了构建工业模型推荐系统的主要挑战,即工业时序数据缺乏直观推荐特征.具体地,本文提出了一套推荐特征挖掘方法,其能够从工业时间序列数据中挖掘与设备无关但与监控性能相关的特征.其次,设计了基于宽度学习和大语言模型的双通路模型推荐方法,其能够建立特征和监控模型性能之间的映射关系,且能够综合多种评价维度给出推荐结果.此外,构建了一套工业模型推荐系统,包括数据集、特征和模型,为工业时间序列监测任务的模型推荐领域提供了一个基准.通过大量实验验证,展示了工业模型推荐的可行性以及本文方法的有效性.

关键词 过程监测; 模型自动选择; 模型推荐方法; 宽度学习系统; 大语言模型; process monitoring; automatic model selection; model recommendation method; broad learning system; large language models

摘要 现代智能制造产线集成化程度高,产线设备结构和功能复杂,工艺流程存在耦合性,导致故障隔离定位困难,易产生故障传播风险并威胁产线安全稳定高效运行.故障根因诊断旨在基于产线实时状态信息,通过准确识别故障传播路径与源头,提升产线和关键设备的系统可靠性,提高生产运行效率.然而,现有方法多局限于因果相关性分析,缺乏深层次的因果推理能力,难以揭示故障后状态变量之间真实的因果关系,限制了故障传播分析与根因诊断的可信度.为此,本文提出一种基于深度因果推理的故障根因诊断方法 (deep causal inference-based root cause diagnosis, DCIRCD).该方法首先通过结构因果模型(structural causal model, SCM)构建监测变量间的因果关系,结合干预与反事实推理实现因果推理的3个层级,提升了监测变量状态变化的因果解释性.特别地,通过引入孪生网络简化反事实推理过程,将其转化为关联因果模型上的贝叶斯推断(Bayesian inference, BI),降低了计算复杂度.所提方法在航空机载叶轮制造产线上进行了可行性与有效性验证,基于产线的状态报警数据,DCIRCD方法能够准确诊断故障根因,其结论与历史维修记录和系统机理相符.

关键词 因果推理; 反事实推理; 故障根因诊断; 孪生网络; causal inference; counterfactual inference; fault root cause diagnosis; twin networks

摘要 航空发动机是飞行设备的心脏,其涡轮叶片的缺陷检测对保障航空航天的安全至关重要.现有的深度学习方案通常需要大量计算资源,并且无法满足精准快速的检测需求.为了解决以上挑战,本文提出了基于网络架构搜索的多尺度高低频特征聚合分割方法 (multi-scale separate-frequency feature aggregation segmentation method, MSFA),并将其部署到自动化质检系统中.首先,本文针对航空发动机涡轮叶片的复杂缺陷设计了一个自适应知识图谱驱动的轻量搜索空间,以动态搜索网络的配置,通过通道数量与卷积核大小双最优构建本文的轻量化模型.其次,本文开发了高分辨率残差模块来引导缺陷分割过程,在保证精度的前提下实现高效的缺陷检测.最后,本文构建了高低频信息分离方法,来选择性地融合纹理信息以获得缺陷的重要特征,利用多尺度特征融合来聚合不同语义层级的缺陷信息.实验结果表明, MSFA在航发叶片分割任务中以5.73M的参数量实现了75.04%的交并比,与目前最先进的方法相比提升了7.42%,并保持实时级推理效率.此外,本文将其部署到一套多过程的自动化质检系统中,涵盖自动上下料、智能全覆盖成像、缺陷精准检测、误检检出和缺陷综合评估5个部分,解决了工业场景中航发叶片高速、精准检测的难题,全自动化的过程实现了高效的缺陷检测.

关键词 神经网络架构搜索; 航空发动机涡轮叶片; 缺陷检测; 轻量化模型; 实时语义分割; neural architecture search; aero-engine turbine blades; defect detection; lightweight model; real-time semantic segmentation

摘要 随着电力系统智能化转型,大量物联网设备被引入,这在带来便利的同时也引入了网络攻击问题,且大量新能源的并网导致电力系统的状态变化更加多样、频繁,对状态估计的鲁棒性和快速性提出了更高的要求.然而,目前状态估计(state estimation, SE)方法更多关注估计精度提升,忽略了状态估计的计算速度和鲁棒性.为解决上述问题,本文提出了一种快速、鲁棒、精确、安全的SE方案,其由攻击检测器、数据重构器和状态估计器串行组成.首先,本文提出了一种鲁棒的攻击检测器,即使电网拓扑变化也能够精确检测攻击数据.其次,本文提出了一种鲁棒的数据重构器,其能够精确、鲁棒地将攻击数据清洗为正常数据,从而保证数据的可用性.此外,本文提出了一种基于图形处理单元的快速、鲁棒的状态估计器,结合考虑稀疏存储和重排序等方法,进一步加快SE计算.最后,本文进行了大量实验证明了上述方案的可行性和鲁棒性.

关键词 电力系统状态估计; 攻击检测; 并行计算; 图形处理单元; power system state estimation; attack detection; parallel computing; graphics processing unit

摘要 有杆泵抽油系统工况的精准识别对提升运行效率、实现节能降耗以及保障安全生产具有重要意义.传统工况识别方法主要依赖专家经验,人工提取特征,效率低且主观性强.深度学习技术虽然在一定程度上提升了识别精度和效率,但在复杂工况识别方面仍存在局限性,且其“黑箱”特性导致模型内部机制难以直观理解,可解释性差.本文提出了一种基于迁移学习和改进EfficientNetB3的有杆泵抽油系统工况自动识别方法和基于边缘强化梯度加权类激活映射的模型可解释性分析方法,在显著提升工况识别精度的同时,有效增强了模型的可解释性.利用油田现场采集的真实示功图数据进行实验验证,并与目前具有代表性的深度学习方法进行了系统性对比.实验结果表明,本文所提出的方法能够实现有杆泵抽油系统工况的高精度识别,精准捕捉示功图的关键特征区域,为工况识别模型提供细粒度解释.

关键词 有杆泵抽油系统; 工况识别; 示功图; 迁移学习; 可解释性; sucker-rod pumping systems; working condition recognition; dynamometer card; transfer learning; interpretability

摘要 复杂工业生产中,利用实时采集的多变量时间序列数据进行异常检测是确保生产稳定安全的关键.针对现有多变量时间序列异常检测方法存在的诸多问题,提出一种新颖的无监督异常检测方法,即基于跨时空注意力机制的多变量时间序列异常检测(CSTA-MTAD)算法.首先,为了解决序列间和变量间的潜在时空特征提取不完整问题,采用多头自注意力机制为不同时间序列和不同变量赋予不同的注意力分数,捕获序列间和变量间复杂的时空依赖关系,实现现实世界的时空统一性,形成跨时空注意力机制;然后,进一步通过门控循环单元对提取到的时空信息进行显式融合,以捕获更丰富更完整的潜在时空信息;为了解决单一使用基于预测模型或重构模型的异常检测方法性能不足的问题,采用联合优化两种模型来进行异常检测的框架,可平衡两类方法的优势,提高异常检测性能;最后,为了解决现实世界数据标签稀少的问题,采用无监督框架进行模型训练,减少对数据标签的依赖性.实验结果表明,所提方法在3个公开数据集均表现出最佳性能,在SMAP, MSL, SMD数据集上F1得分分别为0.958, 0.949和0.958,平均F1得分为0.955,比其他6个最佳基线方法分别提高了5.94%, 2.63%和4.27%,具有优异的多变量时间序列异常检测的性能.

关键词 多变量时间序列; 异常检测; 多头自注意力机制; 跨时空注意力机制; 门控循环单元; multivariate time series; anomaly detection; multi-head self-attention mechanism; cross spatial-temporal attention mechanism; gated recurrent unit

摘要 在非平稳环境下,对复杂装备进行实时安全评估有助于及时发现潜在危险.其中,在线监测数据的动态变化是最主要的挑战之一.尽管一些在线安全评估方法可以使用监测数据进行动态的调整,但它们通常假设监测数据标签是可用的.然而,在大部分现实场景中,仅有部分提前收集的初始数据或历史数据是有标记的,而实时监测数据则通常是未标记的,这引发了被称为极端验证延迟的挑战.为解决该问题,本文提出了一种基于动态支持向量提取的实时安全评估方法.首先,基于支持向量域描述,在核空间构建包含不同类监测数据的超球面,捕获数据的几何结构;其次,通过对超球的更新,在未标记的监测数据中传播标签信息,从而适应监测数据的分布变化;进一步,采用支持向量动态加权策略,消除监测数据类别不平衡对模型性能的影响.面向蛟龙号深海载人潜水器监测数据的实验结果验证了所提方法的有效性.

关键词 实时安全评估; 非平稳环境; 极端验证延迟; 类别不平衡; 数据流; real-time safety assessment; non-stationary environment; extreme verification latency; class imbalance; data stream

摘要 实际工业过程受多种因素(如原材料变化、负载波动、设备老化等)的影响,往往表现出非平稳特性,即过程监测数据统计特性随时间发生变化,因此非平稳过程异常监测备受关注并已成为监测领域的焦点之一.本文从监测方法的角度对非平稳过程异常监测相关研究成果进行了系统性的回顾:首先对非平稳过程的概念和技术难点进行了概述;其次,将非平稳过程监测方法根据原理的差异划分为五大类,并总结了各类方法的优点与不足;最后,结合当前技术发展的现状,对非平稳过程研究中的挑战进行了深入分析与展望.

关键词 非平稳过程; 过程监测; 自适应建模; 协整分析; 平稳子空间分析; 慢特征分析; 深度学习; non-stationary processes; process monitoring; adaptive modeling; cointegration analysis; stationary subspace analysis; slow feature analysis; deep learning

摘要 针对工业设备故障诊断知识图谱故障实体属性残缺、故障关系链接缺失的问题,本文提出了一种基于知识图谱异构图注意力网络(knowledge graph heterogeneous graph attention network, KGHAN)模型的工业设备故障诊断知识图谱补全方法,通过对故障实体概念补全和故障关系链接补全完善了工业设备故障诊断知识图谱.所提KGHAN模型在异构图注意力网络模型的基础上,融合了故障知识结构信息和故障图结构信息,有效地表征了故障实体和故障关系的嵌入表示,提高了故障实体概念补全任务的准确率和故障关系链接补全任务的命中率.将所提工业设备故障诊断知识图谱补全方法应用在国内某企业的工业设备故障运维数据上,结果表明,故障实体概念补全任务的准确率提高了约10%,故障关系链接补全任务的命中率提高了约37%,验证了方法的有效性.

关键词 知识图谱补全; 知识图谱; 图神经网络; 故障诊断; 工业设备; knowledge graph completion; knowledge graph; graph neural network; fault diagnosis; industrial equipment

摘要 本文基于前景理论在博弈的框架下研究了行为感知概率对网络化系统中攻防资源配置的影响.首先,在理性决策情形下,通过融合物理系统、执行器攻击和资源分配模型,构建了一个新的安全博弈框架.其次,针对决策者依靠感知概率而非真实概率进行主观决策的情形,基于前景理论构造了行为安全博弈模型.然后,建立了安全博弈和行为安全博弈下期望收益函数关于攻防资源凹凸性的充要条件,并深入分析和比较了安全博弈和行为安全博弈下攻防资源最优配置的存在性和唯一性以及行为概率对安全博弈的影响.最后以无人机群为例进行了仿真,验证了所提方法的有效性.

关键词 执行器攻击; 前景理论; 资源分配; 安全博弈; 行为安全博弈; actuator attacks; prospect theory; resource allocation; security game; behavioral security game