面向非线性批次过程监测的数据驱动二维深度相关表征学习

基于摘要分析。本文研究工业批次过程在时间与批次两个方向上的动态性和非线性，提出二维深度相关表征学习（2D-DCRL），用于故障检测与隔离；其主要研究对象不是 EEG 或 BCI。 方法首先将三路历史数据展开为二维时间切片数据，再利用基于堆叠自编码器的深度神经网络表征过程变量间的相关性。针对每个时间切片测量，方法将此前时刻与此前批次的样本组织为二维测量，并在当前运行批次的测量与所构造的二维测量之间执行 DCRL，以刻画两个方向上的动态性与非线性。其关键机制是联合利用时间内依赖和批次间依赖，而非只分析当前样本。 作者报告，该监测方案在两个典型批次过程上的应用验证了有效性，并改善了监测表现；摘要未提供具体过程名称、指标、数值及对照设置，无法量化改进幅度。相关性学习目标、历史窗口、故障隔离实现、数据划分、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据具有可对齐的重复试次结构，可假设将“批次方向”对应为连续试次，探索时间与试次双方向历史信息能否帮助处理信号非平稳性。可借鉴历史样本组织与相关表征思路，但需改造时间对齐、通道表示及任务输出；工业批次的重复结构并不必然适用于 EEG，低信噪比、跨试次状态变化、通道差异和小数据量均可能使历史信息失效或造成过拟合。一个可证伪的小实验是在单一 EEG 数据集的被试内连续试次上，按时间顺序划分训练与测试，仅使用当前时刻之前可用的信息，对比仅时间历史与加入试次历史的版本，检验后者是否带来稳定收益。已有 EEG 相关工作尚未检索确认。