过程监测是保障电力系统、航空航天、国防工程和能源工程安全运行的重要技术。随着电力电子装备向高频化、集成化和复杂化发展，系统运行过程中常伴随多模态工况切换、非平稳特征分布和动态耦合关系。但早期故障信号通常幅值较弱，容易被运行模式变化、负载扰动和噪声干扰掩盖，进而导致误报和漏检。针对上述问题，已有多模型方法通常依赖准确的模式识别结果，在复杂工况下容易受到模式误判影响，并可能带来模型冗余。而全局模型方法能够在统一框架下提取多模态特征广受关注，但现有联合特异与共享字典学习（Jointly specific and shared dictionary learning，JSSDL）、公共与独特子空间分解（Common and unique subspace decomposition，CUSD）等方法多将约束施加于投影矩阵，而不是直接作用于潜变量。在强耦合和非平稳场景中，这类约束方式对公共特征与模式特异变化的分离仍不充分，限制了弱故障信号的稳定提取能力。

　　近日，电子科技大学程菲洋、王敏和香港城市大学谢旻在IEEE Transactions on Industrial Electronics发表题为“Common-Specific Subspace Decomposition Based Deep Ensemble Representation for Multimode Process Monitoring in Power Systems”的研究论文，提出深度公共特异特征分解（Deep common-specific feature decomposition，DCSFD）方法。该方法面向多运行模式下的电力系统过程监测，构建公共特异子空间分解和分层深度集成表征框架，用于提升复杂工况切换、噪声干扰和弱故障信号条件下的故障检测能力。

　　DCSFD的主要创新包括三个方面。首先，研究构建分层集成表征框架，将多个基础检测器的统计特征进行堆叠，并级联多个公共特异分解模块，逐层抑制模式相关变化、增强故障相关信息。其次，研究提出直接变量约束的公共特异分解机制，通过辅助矩阵和奇异值阈值化，将低秩约束直接作用于公共潜变量，从而提高公共结构与特异结构分解结果的可解释性。第三，研究构建残差检测指标，并推导检测指标下界，从理论上说明在噪声干扰下故障残差仍具有可分性。论文图1展示了整体框架，图2展示了公共—特异特征提取模块。

图1. 基于公共—特异子空间分解的深度集成表征框架。该方法通过多层特征增强、直接变量约束和残差检测指标构建，实现多模态工况下早期故障信号的稳定提取与检测。

图2. 公共—特异特征提取模块与静态空间映射结构。

　　研究团队在仿真和实际三相逆变器平台上进行了验证。仿真实验基于三相逆变器系统，设置三个运行模式，并模拟早期匝间短路故障。在实际平台实验中，研究团队基于真实三相逆变器装置，并通过电子负载模拟真实阻抗特性。实验结果显示，DCSFD的整体故障检测率优于JSSDL、CUSD以及多个深度学习基线方法，在仿真和实际平台上分别实现了16.62%和31.88%的故障检测率提升。

　　该研究为复杂电力电子系统的多模态过程监测提供了一种新的数据驱动方案，可为三相逆变器、新能源变换器、航空航天电源系统和复杂工业过程的早期故障检测与健康管理提供方法参考。

　　本研究得到国家自然科学基金、香港研究资助局以及香港创新科技署InnoHK项目的支持。相关成果发表于 IEEE Transactions on Industrial Electronics，论文题目为“Common-Specific Subspace Decomposition Based Deep Ensemble Representation for Multimode Process Monitoring in Power Systems”，作者为程菲洋、王敏和谢旻。