面向化工过程结构感知故障诊断的文本属性动态图学习

《Journal of Loss Prevention in the Process Industries》：Text-attributed dynamic graph learning for structure-aware fault diagnosis in chemical processes

　　

**摘要**

准确且可解释的故障诊断对于复杂的化学过程至关重要，在这些过程中，故障特征往往是动态的、耦合的，且在闭环控制下难以区分。本文提出了LSTM-GatedTAG，一种用于田纳西东曼过程（TEP）基准测试中21类故障诊断的时间文本属性动态图框架。在本研究中，文本属性指的是固定的变量级元数据，包括变量描述、子系统归属和变量类型。所提出的框架将过程变量表示为图节点，构建窗口级相关性图以捕获动态统计耦合，并使用共享的LSTM编码器提取变量级时间表示。文本属性被离线编码为节点嵌入，并通过门控机制与时间表示融合，使模型能够在图消息传递过程中保留变量的特定过程角色。在21类TEP任务上的实验（包括正常运行和20种预定义故障模式）表明，LSTM-GatedTAG在经典机器学习、时间深度学习和基于图方法的基准方法中实现了最佳的整体性能，宏F1得分为0.8894 ± 0.0015，准确率为0.8821 ± 0.0012。敏感性分析表明，W = 30和top-k = 6在时间上下文、图稀疏性、诊断准确性和在线响应性之间提供了实用的平衡。按类别分析和正常相关混淆分析表明，弱故障、随机故障和闭环补偿故障模式（尤其是故障3、故障9和故障15）从过程安全角度仍然是具有挑战性的。为了支持结构级可解释性，提出了一种事后拓扑碎裂指标来量化故障引起的耦合重构。TEP先验评估、辅助ExtraTrees归因比较以及原始与稀疏化图的控制分析表明，碎裂为清晰的故障提供了物理上有意义的结构证据，同时阐明了其对分布或边界故障行为的局限性。

**引言**

现代化学过程是高度集成的工业系统，以多变量相互作用、物料循环回路、非线性动力学和时间变化的运行条件为特征（Ardali等人，2024年）。这些耦合提高了连续生产的效率，但也增加了过程安全监控的难度。局部设备扰动、控制回路异常或运行条件变化可能通过物料流、能量交换和反馈控制动作传播，导致更广泛的异常运行状态（Men和Zhao，2023年）。因此，智能故障诊断已成为过程系统工程和智能化学工程中的重要任务（Chen等人，2025年）。对于监督监控和决策支持而言，诊断模型不仅要识别故障类别，还应提供关于哪些变量、子系统和耦合关系涉及异常状态的可解释证据。

在过去的几十年中，开发了各种数据驱动的过程监控和故障诊断方法。经典的多变量统计方法，如主成分分析（Qin和Zhao，2022年）和偏最小二乘（Chowdhury等人，2025年），构建潜在表示来检测过程偏差。较新的机器学习和深度学习模型，包括随机森林、极其随机化树（Ewuzie等人，2025年）、多层感知器、长短期记忆网络、CNN-LSTM模型和Transformer架构（Qi等人，2023年），在田纳西东曼过程等基准过程数据集上展现了强大的性能。然而，这些方法中的许多主要将过程变量视为数值特征向量或时间通道。因此，每个变量的物理身份，如子系统归属、变量类型和过程角色，往往没有明确表示。这限制了它们从过程安全角度解释诊断结果的能力，尤其是当操作人员需要知道哪些变量或子系统最强烈地涉及异常状态时。

图神经网络为建模过程变量间的相互作用提供了自然的方法（Xu等人，2025年）。在化学过程中，变量通过反应、分离、热交换、物料回收和反馈控制耦合在一起（Choi和Lee，2025年）。通过将过程变量视为图节点并根据滑动窗口相关性构建边，图模型可以表示当前运行状态的动态统计耦合结构（Luo和Yang，2024年）。与固定拓扑相比，动态相关性图可以捕获不同故障条件下变量耦合模式的变化（Rao等人，2025年）。然而，纯数值图在语义上仍然有限。它可以识别两个变量高度相关或边权重发生变化，但它不知道连接的节点对应于温度、压力、流量、阀门开度还是成分浓度，也不知道它们是否属于反应器、分离器、汽提器、压缩机或进料子系统。这促使了将动态图拓扑与变量级文本属性相结合。

尽管田纳西东曼过程等公共过程基准不提供真实的工业分布式控制系统报警日志、操作员记录或维护记录，但它们确实包含变量描述和过程相关元数据（He等人，2025年）。基于这些变量级文本属性，本研究提出了一种文本属性动态图表示，集成了变量级时间动态、动态统计耦合拓扑和过程变量元数据。在此表示之上，我们开发了LSTM-GatedTAG。对于每个监控窗口，共享的变量级LSTM编码每个过程变量的时间轨迹。门控文本属性融合模块随后自适应地将时间数值表示与相应的变量级文本属性融合。融合后的节点表示在动态加权图上传播并池化，用于21类故障诊断，包括正常类别和20种故障模式。

除了分类准确性外，过程故障诊断还需要对过程变量和子系统有意义的可解释证据（Zhu，2025年）。现有的归因方法，如SHAP和特征重要性，主要解释哪些变量对模型预测有贡献。然而，它们并没有直接表征故障条件如何重构过程变量间的耦合结构。为了解决这一局限性，我们引入了一种拓扑碎裂量化方案来衡量统计耦合结构如何从正常运行变为故障运行。在本文中，拓扑碎裂不是指过程单元的物理解断。相反，它表示过程变量间统计耦合模式的异常重构。具有高碎裂分数的变量和子系统被解释为强烈受影响的区域，提供结构级诊断证据。由于拓扑碎裂旨在作为结构证据而非确定性因果证明，其物理一致性应与外部过程知识进行评估。因此，已知的TEP故障先验被用来评估排名靠前的碎裂变量是否与预定义的故障机制一致，并使用ExtraTrees特征重要性作为辅助归因参考，比较结构级证据与预测级证据。

所提出的方法在田纳西东曼过程基准上进行评估。窗口在单次模拟运行中生成，训练和验证按模拟运行划分，归一化统计量仅从无故障训练运行中估计，官方测试集被留出用于最终评估。本工作的主要贡献总结如下。

1. **变量级文本属性动态图表示。** 我们将化学过程变量建模为图节点，滑动窗口相关性作为动态加权边，变量描述、子系统归属和变量类型作为变量级文本属性。这种表示提供了结合过程动态、变量耦合和语义节点信息的统一方式。

2. **用于21类故障诊断的LSTM-GatedTAG。** 我们设计了一个LSTM-GatedTAG模型，使用共享的变量级LSTM编码器捕获时间动态，并使用语义门控机制在动态图卷积前将变量级文本属性与数值表示融合。该模型在完整的21类田纳西东曼过程任务上进行了评估，包括正常运行和20种故障模式。

3. **拓扑碎裂结构解释。** 我们制定了拓扑碎裂指标，量化变量和子系统级别的异常耦合重构。这些指标通过识别统计耦合模式偏离正常运行的变量和子系统，提供结构级诊断证据。

4. **TEP先验评估和辅助归因比较。** 我们使用已知的TEP故障先验评估碎裂解释的物理一致性，并进一步将碎裂变量与ExtraTrees特征重要性作为辅助归因参考进行比较。该分析显示了结构级证据何时与已知故障机制一致，以及基于归因的变量贡献与耦合结构重构何时强调诊断的不同方面。

本文其余部分组织如下。第2节回顾了数据驱动故障诊断、时间过程监控、基于图的过程建模和可解释故障诊断的相关工作。第3节提出了文本属性动态图表示、LSTM-GatedTAG模型、拓扑碎裂量化方法和解释评估策略。第4节描述了田纳西东曼过程基准、预处理协议、基准方法和评估指标。第5节报告了21类诊断结果、敏感性分析、混淆分析、拓扑碎裂解释、TEP先验评估和辅助ExtraTrees归因比较。第6节总结了本文并讨论了未来工作。

**第2节**

**数据驱动过程监控和故障诊断**

数据驱动过程监控和故障诊断在化学过程系统中已被广泛研究，其中传感器、分析仪和控制系统提供了大规模运行数据。经典的多变量统计方法，如主成分分析（PCA）、偏最小二乘（PLS）、独立成分分析（ICA）及其非线性扩展，已被广泛用于提取正常运行条件的潜在表示并检测过程偏差。

**第3节**

**方法论**

本节提出了用于田纳西东曼过程21类故障诊断的LSTM-GatedTAG框架。核心思想是在统一的时间图学习框架内联合建模时间过程动态、动态变量间耦合和变量级文本属性。具体而言，首先使用监控窗口捕获过程变量的时间演变行为。然后构建动态统计拓扑来表示耦合关系。

**数据集和任务定义**

所提出的方法在TEP基准上进行评估，该基准广泛用于化学过程监控和故障诊断（Xiong等人，2023年）。该过程包含52个变量，包括41个测量变量和11个操纵变量（Zhang等人，2026年）。这些变量涵盖进料流、反应器运行、分离器运行、汽提器运行、压缩机行为、产品流和成分浓度。本研究将TEP故障诊断建模为21类分类任务。

**第5节**

**结果与讨论**

本节从几个互补的角度评估了所提出的LSTM-GatedTAG框架。首先，将整体21类诊断性能与经典机器学习、时间深度学习和基于图方法的基准进行比较。其次，对监控窗口大小和图稀疏化水平进行超参数敏感性分析。第三，分析按类别的F1分数和归一化混淆矩阵，以识别困难的故障模式。第四，讨论拓扑碎裂解释。

**第6节**

**结论**

本文提出了LSTM-GatedTAG，一种整合动态过程耦合与变量级文本属性的时间图诊断框架，用于21类田纳西东曼过程故障诊断。所提出的方法结合了变量级时间编码、拓扑感知消息传递和门控文本属性融合，以提高诊断准确性和结构感知解释能力。实验结果表明，LSTM-GatedTAG在所有基准方法中实现了最佳的整体性能。

**作者贡献声明**

梁张：撰写——原始草稿，方法论，概念化。康荣学：监督，项目管理，数据管理。王承虎：资源，方法论，形式分析。吕小军：方法论，资金获取，数据管理。卜范亮：撰写——审阅与编辑，验证，监督，项目管理。

**利益冲突声明**

作者声明他们没有任何已知的竞争财务利益或个人关系，这些关系可能影响本文所报告的工作。

梁张 | 康荣学 | 王承湖 | 吕小军 | 卜范亮
中国人民公安大学信息网络安全学院，北京，100038，中国