面向 IIoT 过程监测的平稳与非平稳数据统一表示

基于摘要分析。本文研究工业物联网（IIoT）中多模态工业过程的监测问题，重点处理平稳与非平稳变量混合、正常变化趋势掩盖微小故障的情形。作者提出结合协整分析与表示学习的方法，将非平稳变量间的长期均衡关系转化为平稳残差，再与原有平稳变量共同建模。 技术上，方法先建立协整模型，提取非平稳变量之间的长期均衡关系；随后将得到的平稳残差与平稳变量融合，通过联合字典学习进行重构，并利用重构误差和核密度估计确定控制限。在线阶段使用已建立的协整模型与字典重构新样本，以重构误差实施过程监测。其核心思路不是直接消除所有时间变化，而是利用变量间相对稳定的关系，降低正常非平稳趋势对故障检测的干扰。 作者报告，在数值仿真、青霉素发酵基准过程和工业焙烧过程上的实验支持该方法的有效性，并能检测混合平稳与非平稳变量的多模态过程中的微小故障。摘要未给出具体指标、数据划分、对照方法及定量增益；实验协议、消融及统计信息尚未验证。协整关系如何确定、字典训练细节、控制限估计所用数据及跨工况适用性，也需查阅全文核对。 平台推测（待验证）：该机制对 EEG 的潜在借鉴是假设多通道或特征序列存在可估计且在监测期间稳定的协整关系，从而用平稳残差降低慢变背景的影响。可复用的是“协整残差—联合表示—重构误差监测”流程，需改造变量构造、时间窗口及阈值校准。EEG 的低信噪比、通道变化、跨被试差异与小样本可能导致协整关系不稳定，也可能使任务相关慢变成分被削弱。一个可证伪的小实验是在固定被试、固定通道且按时间分离训练与测试的 EEG 数据中，比较有无协整残差处理时对已知扰动的检测率与误报率，单独核对任务信息是否受损；这不等同于验证 BCI 解码增益。已有 EEG 相关工作尚未检索确认。