TEP故障诊断：MLP、CNN与图神经网络的对比实验

本文介绍一个开源项目，在田纳西-伊斯曼过程（TEP）数据集上对比多层感知机（MLP）、一维卷积神经网络（CNN）和图神经网络（GNN）的故障诊断性能。项目涵盖数据预处理、模型架构设计及实验结果分析，核心发现为当前实现下GNN性能弱于MLP和CNN，强调公平对比框架的重要性。项目由faiazu维护，源码位于GitHub（链接：https://github.com/faiazu/TEP-fault-diagnosis），发布于2026年6月6日。

田纳西-伊斯曼过程（TEP）是过程控制领域经典基准数据集，含21种故障类型和52个过程变量，用于测试监控与诊断算法。故障诊断对化工等行业至关重要，可避免设备损坏、安全事故，降低停机时间和维护成本。深度学习在该领域应用增多，但缺乏不同模型的公平比较，此项目旨在填补这一空白。

采用滑动窗口处理时间序列：窗口大小60步、步长10、变量52个（41个测量变量xmeas和11个操纵变量xmv）。构建两种数据集：扁平化窗口（形状N×3120）用于MLP（丢失时间局部结构）；二维窗口（形状N×60×52）用于CNN和GNN（保留时间相关性）。数据划分按仿真运行（而非随机），避免同一运行相邻窗口同时出现在训练/验证集导致的数据泄露，确保评估可靠。

1. MLP基准模型：接收扁平化3120维特征向量，通过全连接层分类，建立性能基线；2. 一维CNN：输入二维窗口，时间维度执行一维卷积，自动提取局部时序特征；3. GNN：构建时空图（节点为传感器-时间对，边含空间依赖和时间连接），理论表达能力强，但当前实现性能最弱。

提供完整脚本：数据集构建（MLP用build_small_dataset.py，CNN/GNN用build_small_dataset_2d.py）、模型训练（MLP用train_baseline.py，CNN用train_cnn1d.py，GNN用train_gnn.py）、评估（evaluate_model.py支持三种模型）。评估指标包括Top1-3准确率、每类故障单独准确率及混淆矩阵，完整结果可查看在线页面（https://faiazu.github.io/projects/tep-results/）。

项目核心贡献是公平对比框架。GNN表现不佳的可能原因：固定EDGES_75边列表未准确捕捉变量依赖、消息传递机制待优化、GNN训练难度高（超参数多）、数据规模不足以发挥其优势。

工业价值：复用代码框架建立TEP故障诊断基准环境、测试新模型、验证GNN适用性、学习时间序列处理避免泄露。未来方向：探索图结构学习、时空特征融合、迁移学习等，以提升TEP故障诊断效果。