Rieth 2017 TEP（哈佛 Dataverse）

Rieth 2017 TEP 由哈佛 Dataverse 发布，是经典 Tennessee Eastman 过程的 500 次重复运行增强版（每次独立随机种子），包含 20 种过程故障，每次仿真训练集 25 小时、测试集 48 小时，52 个过程变量，3 分钟采样。相较 Reinartz 2021 Extended TEP，本版本仅覆盖单一操作模式（Mode 1），但社区生态最为成熟：Kaggle 有镜像、大量顶会方法（USAD/GDN/Anomaly Transformer/TimesNet）在其上报告结果、TimeSeAD 基准框架原生支持。因 500 次重复运行，是统计显著性检验首选。过去三十年，TEP 已成为化工过程异常检测的"标准锂试纸"，2020 年后几乎每一个新提出的多变量时序异常检测方法都在此数据集上汇报性能。典型预处理建议：使用 TimeSeAD 框架可复现标准化预处理流程；注意单操作点限制，跨模式泛化实验请转向 Reinartz 2021。可与 SWaT/WADI/MSL/SMAP 构成异常检测"标准三件套"或"五件套"。

社区生态最成熟，统计显著性检验首选。

单操作点，较旧版本，推荐优先使用 Reinartz 2021 Extended TEP。

• Benchmarking Domain Adaptation for Chemical Processes on the Tennessee Eastman Process
  ECML-PKDD 2024 Workshop, 2024 — Montesuma E.F. et al.
  基于 TEP（含 Rieth/Reinartz 版本）构建化工过程域适应基准，11 种策略系统评估
• TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis
  ICLR, 2023 — Wu H. et al.
  时序 2D 变换通用骨干，五大任务（含异常检测）统一框架，TEP 等工业数据集验证，ICLR 2023
• Deep Anomaly Detection on Tennessee Eastman Process Data
  Chemie-Ingenieur-Technik, 2023 — Hartung F. et al.
  27 种无监督深度异常检测方法在 Rieth TEP 上全面对比，含 USAD/OmniAnomaly/MAD-GAN 等
• Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy
  ICLR, 2022 — Xu J. et al.
  关联差异准则 + Transformer，SWaT/MSL/SMAP/SMD 验证，ICLR 2022 Spotlight
• Graph Neural Network-Based Anomaly Detection in Multivariate Time Series
  AAAI, 2021 — Deng A. and Hooi B.
  GDN：图注意力 + 偏差检测，SWaT/WADI 验证，TEP 常作对比数据集，AAAI 2021
• USAD: UnSupervised Anomaly Detection on Multivariate Time Series
  KDD, 2020 — Audibert J. et al.
  对抗训练双解码器自编码器，SWaT / SMAP / MSL / TEP 多数据集验证，KDD 2020
• MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks
  ICANN, 2019 — Li D. et al.
  LSTM-GAN 多变量时序异常检测，SWaT/SMAP/MSL/TEP 四数据集验证
• Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network
  KDD, 2019 — Su Y. et al.
  OmniAnomaly：随机循环神经网络 + 正规化流，SWaT/SMD 验证，TEP 下游常用对比基线

• Harvard Dataverse
• Kaggle 镜像