易永率， 趙海濤

（華東理工大學(xué)信息科學(xué)與工程學(xué)院, 上海 200237）

隨著化工過(guò)程復(fù)雜化和集成化程度越來(lái)越高，故障診斷技術(shù)已成為保障工業(yè)生產(chǎn)安全、可靠與平穩(wěn)運(yùn)行的重要組成部分[1-2]。目前，故障檢測(cè)與診斷技術(shù)可以分為三類(lèi)：基于知識(shí)驅(qū)動(dòng)的方法、基于模型驅(qū)動(dòng)的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法。基于知識(shí)驅(qū)動(dòng)的方法包括有向圖、故障樹(shù)等，該方法依賴大量的經(jīng)驗(yàn)和專(zhuān)家知識(shí)，且泛化能力較差?；谀Ｐ万?qū)動(dòng)的方法根據(jù)過(guò)程機(jī)理建立殘差監(jiān)測(cè)模型，代表性的方法有狀態(tài)估計(jì)、參數(shù)估計(jì)、等價(jià)空間等。文獻(xiàn)[3]利用狀態(tài)和參數(shù)估計(jì)粒子濾波器組成的聯(lián)合估計(jì)模型實(shí)現(xiàn)故障隔離。文獻(xiàn)[4]利用奇異值分解法對(duì)等價(jià)空間矩陣進(jìn)行優(yōu)化，在增強(qiáng)殘差對(duì)于未知輸入的魯棒性的同時(shí)，保持對(duì)故障信號(hào)敏感。雖然基于模型驅(qū)動(dòng)的方法在機(jī)械、航天領(lǐng)域得到了許多成功的應(yīng)用，但難以建立多單元化工過(guò)程的精確數(shù)學(xué)模型，限制了該方法的應(yīng)用。

近年來(lái)，得益于數(shù)據(jù)采集、存儲(chǔ)設(shè)備以及大數(shù)據(jù)技術(shù)的快速發(fā)展，大量過(guò)程數(shù)據(jù)得以記錄、保存[5-6]。因此基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法逐漸成為研究的熱點(diǎn)，并被廣泛應(yīng)用于化工過(guò)程。基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法可以分為多元統(tǒng)計(jì)分析(Multivariate Statistical Analysis, MVSA)和深度學(xué)習(xí)方法。常見(jiàn)的MVSA 方法包括主成分分析(Principal Component Analysis, PCA)[7]、偏 最 小 二 乘 分 析(Partial Least Squares, PLS)[8]和 典 型 相 關(guān) 性 分 析(Canonical Correlation Analysis, CCA)[9]等。由于現(xiàn)代多單元化工過(guò)程通常具有強(qiáng)非線性的特點(diǎn)，基于MVSA 的方法難以提取有效特征。近年來(lái)，深度學(xué)習(xí)憑借多層非線性變換結(jié)構(gòu)，能夠挖掘高維復(fù)雜數(shù)據(jù)中的隱藏特征，而受到越來(lái)越多的關(guān)注。比如，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)[10]和 循 環(huán) 神 經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)[11]等深度學(xué)習(xí)框架已被應(yīng)用于多單元化工過(guò)程的故障診斷。然而，上述方法需要大量完備的歷史故障樣本和標(biāo)簽，考慮到許多故障不易采集，且標(biāo)記故障樣本需要高昂的成本，因此，如何依靠現(xiàn)有類(lèi)別固定的可見(jiàn)類(lèi)故障數(shù)據(jù)(歷史故障)，識(shí)別沒(méi)有歷史數(shù)據(jù)可供訓(xùn)練的未見(jiàn)類(lèi)故障(目標(biāo)故障)是本領(lǐng)域的難題。

在沒(méi)有目標(biāo)故障類(lèi)別樣本的條件下，零樣本學(xué)習(xí)(Zero-Shot Learning，ZSL)能夠把歷史故障類(lèi)別的屬性知識(shí)遷移到目標(biāo)故障中，實(shí)現(xiàn)對(duì)目標(biāo)故障的識(shí)別。這種診斷范式下，用于模型訓(xùn)練的歷史故障和用于測(cè)試的目標(biāo)故障在類(lèi)別上沒(méi)有交集，擺脫了對(duì)完備故障類(lèi)型樣本的依賴，通過(guò)屬性遷移的方式，增加了模型的泛化能力，更契合實(shí)際的工業(yè)應(yīng)用場(chǎng)景。文獻(xiàn)[12]首次提出了ZSL 并應(yīng)用于動(dòng)物圖像識(shí)別，通過(guò)非線性支持向量機(jī)來(lái)實(shí)現(xiàn)屬性遷移。文獻(xiàn)[13]提出了語(yǔ)義自編碼器(Semantic Autoencoder，SAE)模型，通過(guò)施加約束來(lái)重構(gòu)原始視覺(jué)特征，賦予隱層特征語(yǔ)義信息。ZSL 通過(guò)遷移學(xué)習(xí)[14]、語(yǔ)義歧義消除[15]、跨模態(tài)遷移[16]等方法在圖像識(shí)別領(lǐng)域得到進(jìn)一步發(fā)展。近年來(lái)，ZSL 思想在工業(yè)領(lǐng)域得到廣泛關(guān)注，文獻(xiàn)[17]基于屬性描述實(shí)現(xiàn)了零樣本條件下對(duì)滾動(dòng)軸承的故障診斷，文獻(xiàn)[18]通過(guò)多標(biāo)簽屬性學(xué)習(xí)網(wǎng)絡(luò)來(lái)預(yù)測(cè)目標(biāo)故障的屬性，再通過(guò)余弦相似度實(shí)現(xiàn)故障診斷。文獻(xiàn)[19]定義了化工過(guò)程故障屬性，實(shí)現(xiàn)了化工過(guò)程的零樣本故障診斷。文獻(xiàn)[20]借助一致性約束，從故障樣本中提取了更為有效的特征，改善了零樣本學(xué)習(xí)在化工過(guò)程中的診斷表現(xiàn)。但文獻(xiàn)[19-20]這兩種方法在面對(duì)多單元化工過(guò)程時(shí)，都無(wú)法考慮到單元間的相關(guān)關(guān)系。

針對(duì)上述問(wèn)題，本文結(jié)合SAE 模型和自注意力機(jī)制，提出了基于屬性描述的多單元自注意力機(jī)制(Attribute description based multi-unit self-attention mechanism, AMSM)的零樣本故障診斷方法。首先，預(yù)訓(xùn)練SAE，使其從歷史故障樣本中提取故障屬性的語(yǔ)義信息；其次，利用前饋神經(jīng)網(wǎng)絡(luò)提取各個(gè)單元的特征，然后自注意力機(jī)制根據(jù)語(yǔ)義信息自適應(yīng)調(diào)節(jié)單元間的相關(guān)關(guān)系；最后，計(jì)算與目標(biāo)故障類(lèi)的屬性標(biāo)簽的歐式距離(Euclidean Distance)實(shí)現(xiàn)故障診斷工作。以田納西-伊斯曼(Tennessee-Eastman, TE)化工過(guò)程為研究對(duì)象驗(yàn)證了AMSM 的可行性和有效性，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析與對(duì)比。

1 相關(guān)工作

1.1 ZSL 故障診斷的定義

1.2 語(yǔ)義自編碼器(SAE)

SAE 采取編碼器-解碼器的范式，編碼器旨在將故障樣本映射到屬性空間，解碼器用于重建原始樣本。SAE 只有一層隱藏層，且隱藏層的維度要小于輸入層的維度，其結(jié)構(gòu)如圖1 所示，其中X是輸入故障樣本，X︿是重建樣本。

圖1 語(yǔ)義自編碼器結(jié)構(gòu)Fig.1 Architecture of semantic autoencoder

在 訓(xùn) 練 階 段，X=Xs,D={ai|g:(xsi)→ai,xsi∈Xs,ai∈As}，即由歷史故障樣本對(duì)應(yīng)的屬性標(biāo)簽所組成的描述矩陣。假設(shè)輸入層到隱藏層的映射為W，隱藏層到輸出層的映射為W?，由于編碼器和解碼器是對(duì)稱的，為了簡(jiǎn)化模型，利用參數(shù)共享(tied weights)[21]，可以令W?=WT。有效的樣本重建，可以使模型具備更好的泛化能力，因此目標(biāo)函數(shù)為

式(1)所示的優(yōu)化過(guò)程詳見(jiàn)文獻(xiàn)[13]。在測(cè)試階段，利用訓(xùn)練好的W將目標(biāo)故障樣本xui∈Xu映射到屬性空間，可以得到具有故障屬性信息的潛在表征︿ai=Wxui。

2 基于屬性描述的AMSM 故障診斷方法

針對(duì)實(shí)際工程應(yīng)用場(chǎng)景中目標(biāo)故障樣本難以獲取，以及多單元化工過(guò)程中復(fù)雜非線性的問(wèn)題，提出了一種基于屬性描述的AMSM 零樣本故障診斷方法。

2.1 AMSM 模型結(jié)構(gòu)

AMSM 模型分為三個(gè)階段：第一階段是采用SAE 從故障樣本中提取含有故障屬性信息的潛在表征；第二階段是自注意力機(jī)制借助SAE 提取的潛在表征，自適應(yīng)調(diào)節(jié)各個(gè)單元特征間的相關(guān)關(guān)系進(jìn)行屬性學(xué)習(xí)。第三階段是通過(guò)比較模型預(yù)測(cè)的屬性向量與屬性矩陣的相似度實(shí)現(xiàn)目標(biāo)故障的識(shí)別。AMSM模型結(jié)構(gòu)如圖2 所示，其中，Q是包含故障屬性信息的描述矩陣，K和V是從各個(gè)單元提取的樣本特征矩陣。

圖2 AMSM 模型結(jié)構(gòu)Fig.2 Architecture of AMSM model

在模型訓(xùn)練階段，根據(jù)預(yù)測(cè)的屬性向量a?i和真實(shí)的屬性向量ai計(jì)算交叉熵?fù)p失：

使用Adam 優(yōu)化器最小化損失函數(shù)。在模型測(cè)試階段，對(duì)故障樣本xi∈Xu的識(shí)別，可以通過(guò)比較預(yù)測(cè)的屬性向量和定義的各目標(biāo)故障屬性標(biāo)簽的歐氏距離實(shí)現(xiàn)：

其中：Auj是第j個(gè)目標(biāo)故障定義的屬性標(biāo)簽，D是求歐氏距離的函數(shù)， Φ (·) 表示返回樣本類(lèi)別標(biāo)簽。

2.2 自注意力機(jī)制

自注意力機(jī)制的輸入由Q,K和V構(gòu)成。在訓(xùn)練階段，自注意力機(jī)制通過(guò)Q矩陣，不斷動(dòng)態(tài)調(diào)節(jié)特征矩陣K和V，使得提取的特征盡可能含有清晰的語(yǔ)義信息。本文自注意力機(jī)制的計(jì)算Attention(Q,K,V)采取的是縮放點(diǎn)積注意力，其計(jì)算方式如圖3 所示，具體計(jì)算步驟如下：

圖3 縮放點(diǎn)積注意力的計(jì)算Fig.3 Calculation of the scaled dot-product attention

(1）縮放點(diǎn)積注意力函數(shù)將屬性描述矩陣Q和特征矩陣K矩陣相乘，再歸一化后通過(guò) so ftmax 函數(shù)得到矩陣B∈RC×L：其中scale 操作借助縮放注意力，避免了梯度消失或梯度爆炸，保障模型誤差反向傳播可以更新全部參數(shù)。B矩陣表示C個(gè)屬性和L個(gè)單元之間的相關(guān)性矩陣。

(2）將相關(guān)性矩陣B和V相乘得到輸入故障樣本的預(yù)測(cè)屬性向量a?i∈RC：

其中矩陣V表示各個(gè)單元的權(quán)重，也即單元間的相關(guān)關(guān)系。在將多單元化工過(guò)程分組后，模型通過(guò)矩陣V重新將各個(gè)單元的局部信息以不同的權(quán)重聚合起來(lái)，得到最終的預(yù)測(cè)屬性向量a?i。

2.3 基于AMSM 的零樣本故障診斷流程

基于AMSM 的零樣本故障診斷方法分為離線建模和在線診斷兩部分，其流程圖如圖4 所示，其中離線建模分別訓(xùn)練SAE 和AMSM。

圖4 基于AMSM 的零樣本故障診斷流程Fig.4 Flow chart of zero-shot fault diagnosis based on AMSM

離線建模階段：(1）對(duì)輸入歷史故障樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使其服從標(biāo)準(zhǔn)正態(tài)分布；(2）訓(xùn)練SAE 模型，使其能夠產(chǎn)生有效的含有故障屬性信息的潛在表征；(3）將故障樣本的變量按物理單元分組，并根據(jù)訓(xùn)練好的SAE 的輸出，通過(guò)Adam 優(yōu)化器最小化損失函數(shù) L 訓(xùn)練AMSM 模型。

在線診斷階段：(1）對(duì)輸入目標(biāo)故障樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；(2）將數(shù)據(jù)輸入到訓(xùn)練好的SAE 模型中，得到含有故障屬性信息的潛在表征；(3）將故障樣本分組后的變量輸入到AMSM 模型，得到預(yù)測(cè)的屬性向量，最后通過(guò)計(jì)算其與各故障屬性標(biāo)簽的歐氏距離完成對(duì)目標(biāo)故障的診斷。

3 實(shí)驗(yàn)與分析

3.1 TE 過(guò)程

TE 過(guò)程是由Downs 等根據(jù)實(shí)際化工過(guò)程提出的仿真數(shù)據(jù)集，已被廣泛應(yīng)用于過(guò)程控制、監(jiān)測(cè)和故障診斷[22]。如圖5 所示，TE 過(guò)程主要由進(jìn)料單元、反應(yīng)器、分離器、汽提塔和壓縮機(jī)5 個(gè)典型操作單元組成，各單元相應(yīng)的變量如表1 所示。數(shù)據(jù)集提供了21 種故障，每種故障采集了480 個(gè)樣本，每個(gè)樣本由41 個(gè)測(cè)量變量和11 個(gè)操縱變量組成。由于最后6 種故障在過(guò)程中的描述較少，所以本文選擇前15 種故障進(jìn)行零樣本故障診斷實(shí)驗(yàn)，這15 種故障類(lèi)型如表2 所示。

表1 TE 過(guò)程的典型操作單元和對(duì)應(yīng)變量Table 1 Operation units and corresponding variables in the TE process

表2 TE 過(guò)程的故障描述Table 2 Fault description of TE process

圖5 TE 過(guò)程流程圖[22]Fig.5 Flowchart of the TE process[22]

根據(jù)表2 中的故障描述，為每種故障定義了20 個(gè)細(xì)粒度屬性，屬性定義如表3 所示。每個(gè)故障定義的20 維的屬性標(biāo)簽ai∈RC共同構(gòu)成零樣本故障診斷中的屬性矩陣，用“1”表示故障具有該屬性，用“0”表示不具有該屬性，如圖6 所示。依據(jù)零樣本學(xué)習(xí)原則對(duì)數(shù)據(jù)集進(jìn)行劃分，在15 種故障中，選取12 種歷史故障類(lèi)用于訓(xùn)練，3 種目標(biāo)故障類(lèi)用于測(cè)試。TE 過(guò)程被劃分為4 組數(shù)據(jù)集A，B，C，D，表4 示出了各個(gè)數(shù)據(jù)集下的訓(xùn)練類(lèi)和測(cè)試類(lèi)。每個(gè)數(shù)據(jù)集中有5760 個(gè)訓(xùn)練樣本和1440 個(gè)測(cè)試樣本。

表4 TE 過(guò)程的屬性信息Table 4 Attributes information of TE process

圖6 TE 過(guò)程的屬性矩陣Fig.6 Attribute matrix of TE process

3.2 零樣本故障診斷結(jié)果

在數(shù)據(jù)集A、B、C、D 下，對(duì)比AMSM 方法和其他4 種零樣本學(xué)習(xí)方法的識(shí)別準(zhǔn)確率，如表5 所示，其中最好的結(jié)果加粗顯示。ALE 方法[23]將故障從樣本特征空間映射到語(yǔ)義屬性空間后，學(xué)習(xí)一個(gè)兼容函數(shù)，用于衡量該樣本與每個(gè)類(lèi)別屬性之間的匹配度，通過(guò)比較匹配度來(lái)預(yù)測(cè)測(cè)試樣本的標(biāo)簽，識(shí)別效果較差，平均識(shí)別準(zhǔn)確率最低，僅為39.78%。ESZSL 方法[24]將樣本特征、屬性和類(lèi)之間的關(guān)系作為一個(gè)雙層線性模型進(jìn)行建模，用新的映射連接起屬性空間和特征空間，最后做內(nèi)積相似度識(shí)別測(cè)試樣本類(lèi)別，其平均識(shí)別準(zhǔn)確率略高于ALE 方法，為43.42%。SJE 方法[25]利用多種模態(tài)的語(yǔ)義信息和構(gòu)建兼容函數(shù)實(shí)現(xiàn)細(xì)粒度零樣本分類(lèi)，不同類(lèi)別嵌入信息互補(bǔ)提升了分類(lèi)性能，平均識(shí)別準(zhǔn)確率達(dá)51.38%。FDAT 方法[19]采用監(jiān)督主成分分析法提取屬性相關(guān)特征，再對(duì)屬性學(xué)習(xí)器進(jìn)行訓(xùn)練，最后使用最近鄰搜索確定最終的故障類(lèi)別。該方法針對(duì)工業(yè)傳感器信號(hào)提供了更有效的輔助信息，因此擁有較高的平均識(shí)別準(zhǔn)確率，為68.57%。AMSM 充分學(xué)習(xí)了過(guò)程中不同單元間的相關(guān)性，利用注意力機(jī)制匹配樣本特征和屬性信息，在A，B，C，D 4 個(gè)數(shù)據(jù)集中都取得了最好的識(shí)別效果，準(zhǔn)確率分別為85.21%，72.99%，61.88%和80.56%。AMSM 方法的平均識(shí)別準(zhǔn)確率為75.16%，比FDAT 高了6.59%。

表5 TE 過(guò)程的零樣本故障診斷結(jié)果Table 5 Result of zero-shot fault diagnosis on the TE process

為了更清晰地展示AMSM 方法對(duì)測(cè)試集故障的識(shí)別效果，繪制了4 個(gè)數(shù)據(jù)集故障診斷結(jié)果的混淆矩陣，如圖7 所示，其中橫坐標(biāo)表示故障的預(yù)測(cè)類(lèi)別，縱坐標(biāo)表示故障的真實(shí)類(lèi)別，圖7(a) 示出了數(shù)據(jù)集A 中目標(biāo)故障類(lèi)1，6，14 的識(shí)別準(zhǔn)確率，分別為96%，74%，86%。圖7 結(jié)果表明基于屬性描述的零樣本故障診斷的可行性，即在沒(méi)有目標(biāo)故障類(lèi)訓(xùn)練樣本的條件下，基于屬性描述可以對(duì)不同類(lèi)型的故障進(jìn)行診斷識(shí)別。

圖7 TE 過(guò)程4 組數(shù)據(jù)集實(shí)驗(yàn)結(jié)果的混淆矩陣Fig.7 Confusion matrix of the results of four datasets in TE process

為了進(jìn)一步說(shuō)明AMSM 模型在零樣本條件下的故障診斷效果，以數(shù)據(jù)集A 為例，對(duì)零樣本條件下的AMSM 模型(AMSM(ZSL))和有監(jiān)督條件下AMSM模型以及其他經(jīng)典方法(有線性支持向量機(jī)(LSVM)、非線性隨機(jī)森林(NRF)、樸素貝葉斯(NB)、XGBoost(XGB)和AdaBoost(ADA)) 進(jìn)行比較。從TE 過(guò)程每個(gè)目標(biāo)故障類(lèi)的訓(xùn)練集中隨機(jī)挑選1、10、50、200 和500 個(gè)樣本用于訓(xùn)練，測(cè)試集各方法保持一致。這些有監(jiān)督學(xué)習(xí)方法通過(guò)Scikit-learn 方法[26]中的默認(rèn)參數(shù)實(shí)現(xiàn)，數(shù)據(jù)集A 的故障診斷結(jié)果如表6 所示。在有監(jiān)督條件下，AMSM 模型在不同訓(xùn)練樣本數(shù)量下其識(shí)別結(jié)果都是最優(yōu)的，當(dāng)訓(xùn)練樣本為200 個(gè)時(shí)，AMSM模型已經(jīng)實(shí)現(xiàn)對(duì)故障的精確識(shí)別，而其他方法達(dá)到相似的精度需要500 個(gè)故障樣本。在零樣本條件下，AMSM模型的表現(xiàn)與其他有監(jiān)督學(xué)習(xí)方法相比依然具有競(jìng)爭(zhēng)力，其識(shí)別準(zhǔn)確率甚至比其他有監(jiān)督學(xué)習(xí)方法在200 個(gè)訓(xùn)練樣本條件下的結(jié)果更優(yōu)。零樣本故障診斷是在沒(méi)有目標(biāo)故障類(lèi)樣本可供訓(xùn)練的前提下，通過(guò)對(duì)歷史故障類(lèi)樣本的訓(xùn)練和故障的屬性描述實(shí)現(xiàn)對(duì)目標(biāo)故障類(lèi)的識(shí)別，因此更具有現(xiàn)實(shí)意義，難度更大。

表6 AMSM 模型和有監(jiān)督學(xué)習(xí)方法在數(shù)據(jù)集A 上的故障診斷結(jié)果比較Table 6 Comparison of the fault diagnosis results between AMSM and supervised learning methods on dataset A

在AMSM 模型中，SAE 從故障樣本中學(xué)習(xí)的潛在屬性信息構(gòu)成了自注意力機(jī)制中的Q，通過(guò)不斷訓(xùn)練K和V使得樣本特征和屬性信息相匹配。為了探索SAE 和自注意力機(jī)制在AMSM 模型中的作用，在數(shù)據(jù)集A，B，C，D 上進(jìn)行了如下消融實(shí)驗(yàn)：（1）僅采用SAE 模型，將其提取的包含屬性信息的潛在表征用于零樣本故障診斷；（2）僅采用自注意力機(jī)制(SAM)，用于獲得K和V相似的FNN 結(jié)構(gòu)來(lái)學(xué)習(xí)Q，最后實(shí)現(xiàn)零樣本故障診斷。

圖8 展示了SAE、SAM、AMSM 3 個(gè)模型在4 組數(shù)據(jù)集下的故障識(shí)別準(zhǔn)確率，水平橫線表示模型在A、B、C、D 4 組數(shù)據(jù)集上的平均準(zhǔn)確率。無(wú)論是在各個(gè)數(shù)據(jù)集上的診斷性能，還是在平均指標(biāo)上，都呈 現(xiàn) 出AMSM 效 果 最 好，SAM 次 之，SAE 最 差。SAE 模型結(jié)構(gòu)最為簡(jiǎn)單，但是忽略了多單元過(guò)程中單元間復(fù)雜的相關(guān)關(guān)系，而且把樣本直接映射到語(yǔ)義屬性空間，缺少對(duì)樣本特征的提取和利用。SAM模型雖然先從樣本中提取了特征，但是由于Q矩陣也是借助FNN 結(jié)構(gòu)生成的，并沒(méi)有具體的包含故障屬性的語(yǔ)義信息。而AMSM 模型將SAE 和SAM 相結(jié)合，借助SAE 進(jìn)行預(yù)訓(xùn)練，使得學(xué)習(xí)到的Q矩陣包含了屬性信息，而自注意力機(jī)制又考慮到了多單元之間的相關(guān)性，又促使特征矩陣K、V與Q的匹配，最終實(shí)現(xiàn)了最好的結(jié)果。

圖8 SAE、SAM 和AMSM 模型的零樣本故障診斷結(jié)果Fig.8 Zero-shot fault diagnosis results of the SAE, SAM and AMSM

通過(guò)與其他零樣本學(xué)習(xí)方法的比較，說(shuō)明AMSM 方法的可行性與優(yōu)越性；通過(guò)消融實(shí)驗(yàn)，說(shuō)明AMSM 方法中的SAE 和SAM 結(jié)構(gòu)在零樣本故障診斷任務(wù)中都起了重要作用。

4 結(jié)束語(yǔ)

本文針對(duì)多單元化工過(guò)程中目標(biāo)故障類(lèi)樣本缺乏的問(wèn)題，提出了基于屬性描述的零樣本故障診斷模型AMSM。該方法結(jié)合了SAE 和SAM，利用預(yù)訓(xùn)練的語(yǔ)義自編碼器提供含有故障屬性的語(yǔ)義信息，并通過(guò)自注意力機(jī)制在匹配語(yǔ)義信息不斷學(xué)習(xí)更有效樣本特征的同時(shí)，考慮了單元間的相關(guān)關(guān)系。以TE 過(guò)程為案例，通過(guò)與ALE、ESZSL、SJE 和FDAT 4 種零樣本學(xué)習(xí)方法的比較進(jìn)行性能評(píng)價(jià)；通過(guò)消融實(shí)驗(yàn)說(shuō)明AMSM模型中SAE 和SAM 結(jié)構(gòu)的重要性。但目前的工作僅限于故障識(shí)別，下一步工作重點(diǎn)將放在分析自注意力機(jī)制中單元和屬性的相關(guān)性，在實(shí)現(xiàn)故障識(shí)別的前提下，將故障定位到具體的單元，實(shí)現(xiàn)故障定位。