编辑推荐：
工业生产中精准故障根源诊断至关重要，传统方法依赖全时间序列、忽视局部特征，易致因果推断偏差。本研究提出 SEG-RCD 方法，通过分析关键局部特征实现因果推断，经青霉素发酵模拟与实际过程实验验证其优越性。
在工业生产的复杂图景中，故障如同隐藏在精密机械中的暗礁，随时可能引发生产停滞、经济损失甚至安全风险。精准定位故障的根源，就像医生从复杂的症状中找到致病的 “元凶”，是保障生产稳定运行的关键。然而，传统的故障根源诊断（RCD）方法，如符号有向图、邻接矩阵等，大多依赖工业过程机理和专家知识，或基于完整时间序列分析，往往会忽略时间序列中关键的局部特征，就像用广角镜头拍摄却未能聚焦细节，导致因果推断出现偏差，难以准确揪出真正的 “故障源头”。在面对非线性、非平稳的复杂工业数据时，这些方法的局限性更是暴露无遗，如同在迷雾中摸索，难以清晰勾勒出故障传播的路径。
为了突破这一困境，研究人员开展了基于局部特征的故障根源诊断方法研究。虽然文中未明确提及具体研究机构，但从基金支持（如国家自然科学基金、上海科技创新行动计划等）可推测，国内研究团队在这一领域展开了深入探索。他们提出了一种基于形状特征（shapelets）的状态演化图故障根源诊断方法（SEG-RCD），旨在通过挖掘时间序列中最具代表性的局部特征，为故障诊断提供更精准的视角。这项研究成果发表在《Chinese Journal of Chemical Engineering》上，为工业故障诊断领域注入了新的活力。
研究中采用了几个关键技术方法：首先利用正则化自动编码器（AE）构建故障监测模型，通过计算重建误差（如 T2 和 Q 统计量）来检测故障发生的时间点，其中参数正则化项的引入增强了模型对批次数据的泛化能力；接着运用故障贡献图筛选出可能的候选根源变量，就像在嫌疑名单中缩小排查范围；然后从时间序列中提取最具代表性的形状特征，构建状态演化图（SEG），以此追溯故障的传播路径；最后基于故障单元形状特征从图中提取传播路径，精准定位根源变量。
青霉素发酵模拟实验
研究人员在 Pensim 2.0 模拟平台上进行了青霉素发酵过程模拟，实验涵盖 400 小时，以 1 小时为间隔采集数据，涉及 16 个变量（常用 10 个变量分析）。实验引入三种类型故障，通过正则化 AE 构建的监测模型成功检测到故障起始时间，结合故障贡献图筛选出候选根源变量。进一步利用形状特征构建的状态演化图，清晰展现了故障从起始变量到其他变量的传播轨迹，最终准确识别出根源变量。实验结果表明，SEG-RCD 方法在模拟场景中能有效排除非因果信息干扰，提升诊断的准确性和可解释性。
实际青霉素发酵过程验证
在实际工业场景验证中，研究人员采集了真实发酵过程的时序数据，同样通过 AE 检测故障 onset 时间，利用故障贡献图确定候选变量。基于形状特征的状态演化图分析显示，实际数据中故障传播路径与模拟结果具有较高一致性，根源变量的定位结果与工艺专家分析相符，进一步验证了 SEG-RCD 方法在复杂实际环境中的适用性和可靠性。
研究结论与意义
SEG-RCD 方法通过聚焦时间序列的关键局部特征，打破了传统全序列分析的局限，如同为故障诊断配备了 “精准显微镜”，让隐藏在时间序列中的因果关系得以清晰呈现。其核心贡献在于：提出了基于重要局部特征的故障根源诊断方法，解决了冗余时间信息导致的因果推断偏差问题；可视化的形状特征分析结果增强了根源分析的可解释性，使诊断过程从 “黑箱” 变为 “透明盒”；通过模拟和实际实验验证了方法的优越性，为工业界提供了一种更高效、可靠的故障诊断工具。
这项研究不仅在理论上拓展了故障诊断的方法论，更在实践中为化工、制药等流程工业的智能化运维提供了重要技术支撑。随着工业大数据时代的到来，SEG-RCD 方法有望成为工业故障诊断领域的核心技术之一，助力企业实现生产过程的安全、稳定与高效运行，在降低生产成本、保障生产安全等方面具有显著的现实意义。
