控制与决策

作者：万银,刘丁,任俊超

单位：西安理工大学 晶体生长设备及系统集成国家地方联合工程研究中心，西安 710048;陕西省复杂系统控制与智能信息处理重点实验室，西安 710048,,西安理工大学 晶体生长设备及系统集成国家地方联合工程研究中心，西安 710048;陕西省复杂系统控制与智能信息处理重点实验室，西安 710048,,西安理工大学 晶体生长设备及系统集成国家地方联合工程研究中心，西安 710048;陕西省复杂系统控制与智能信息处理重点实验室，西安 710048,

关键词：微小故障诊断;多源特征融合;图卷积网络;门控循环单元;注意力机制;工业过程

基金：国家自然科学基金青年基金项目(62303376, 62503387)；国家自然科学基金重大项目(62127809).

微小故障的早期识别对生产安全与产品品质至关重要, 但其信号微弱, 易受噪声干扰, 难以人工检测, 导致传统诊断方法难以有效应对. 对此, 提出一种基于多源特征融合的工业过程微小故障智能诊断方法 —— 基于图卷积与门控循环单元的注意力融合建模方法(GCN-GRU-A). 首先, 采用格拉姆角场(GAF)技术在每一时刻将多维传感器数据组合成一维向量并生成对应的格拉姆角和场(GASF)图像, 以充分挖掘数据的空间结构特征, 再借助图卷积网络(GCN)对其进行深层次空间特征提取; 其次, 利用门控循环单元(GRU)对原始时序信号进行特征提取, 获取其时间演化规律; 然后, 通过多头注意力机制对空间和时序两路特征进行加权融合, 进一步强化关键故障信息的表达能力, 抑制冗余噪声; 最后, 融合特征被输入至分类器, 实现微小故障类型的精准识别. 通过直拉(CZ)法硅单晶生长过程对所提出算法的有效性进行验证. 结果表明, 所提出的GCN-GRU-A建模方法在多项关键指标上均优于传统单一特征建模方法, 显著提升了微小故障的检测灵敏度和诊断鲁棒性.

来源：2026年第2期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第2期