工业故障诊断中的动态因果建模与高效模糊时序因果推理：一种C-DUCG方法

《ARTIFICIAL INTELLIGENCE REVIEW》：Dynamic causal modeling and efficient fuzzy temporal causality reasoning in industrial fault diagnosis: a C-DUCG approach

　　

在线故障诊断对于提高安全关键工业系统的可靠性至关重要。如果系统中存在与各种内部因素相关的时间变化、模糊性和不确定的因果关系，故障诊断将变得日益复杂。鉴于工业系统的时变工况以及故障数据和知识的模糊不确定性，提出了一种C-DUCG (Cubic dynamic uncertain causality graph) 方法用于故障诊断。该解决方案旨在帮助开发一种生成式立方因果图建模方案和一种FUTURE (fuzzy temporal causality reasoning) 算法，两者均有助于表示和推理涉及时序因果和不确定证据的复杂故障情况。在C-DUCG中，提出了因果简化和EELA (event-oriented early logical absorption) 策略以减轻建模和推理的复杂性。在核电厂 (NPP) 模拟器上的对比实验和一系列故障诊断测试验证了C-DUCG在大型动态系统中的效率、召回率、准确性和可解释性。实验表明，所提出的算法在召回率AC@1和AC@k上分别达到了0.62和0.999，平均推理时间为10 ms，在NPP故障诊断测试中的平均耗时约为9.42 ms。

### 论文解读：工业故障诊断中的动态因果建模与高效模糊时序因果推理——一种C-DUCG方法

#### 研究背景与问题

复杂工业系统（如核电厂）的安全运行高度依赖实时故障诊断，以快速定位和隔离潜在故障，提升系统可靠性。然而，大规模工业系统通常包含异构组件、高度耦合架构和复杂内在关系，导致故障行为呈现动态性、模糊性和不确定性。现有方法主要分为两类：概率推理框架（如贝叶斯网络BN及其动态扩展DBN）和因果推理框架。DBN虽能处理时序数据，但假设一阶马尔可夫性，难以刻画长距离时序因果，且精确推理在大规模系统中面临高计算复杂度问题。此外，许多方法假设工作条件恒定，忽略模糊证据（如连续监测信号落入状态重叠区间）和时变动态性。深度学习方法虽性能优异，但缺乏可解释性，且对数据依赖性强。因此，亟需一种兼具高效性、可解释性、鲁棒性，并能处理动态、模糊、不确定因果关系的故障诊断方法。

#### 研究内容与结论

研究人员提出了一种基于C-DUCG (Cubic dynamic uncertain causality graph) 的方法，用于工业故障诊断中的动态因果建模与高效模糊时序因果推理。该方法构建了立方因果图以表示故障演化过程中的时序因果依赖，并提出了FUTURE (fuzzy temporal causality reasoning) 算法，整合模糊证据与时序推理。为降低计算复杂度，引入了因果简化策略和EELA (event-oriented early logical absorption) 算法。在核电厂模拟器上的对比实验和故障诊断测试中，C-DUCG在召回率、准确率、推理效率和可解释性上均优于现有方法（如DFS-MH、RW-Par、RHT、RHT-PG及DBN），平均推理时间仅10 ms，在15个故障案例中实现了100%的准确率。该研究发表于《ARTIFICIAL INTELLIGENCE REVIEW》。

#### 主要关键技术方法

1. **C-DUCG框架**：基于加权逻辑推理（WLI, weighted logic inference）定义因果函数链接 \(F_{n,k;i,j} \equiv (r_{n;i}/r_n)A_{n,k;i,j}\)，表示父事件\(V_{i,j}\)对子事件\(X_{n,k}\)的因果机制，并引入条件函数链接处理不确定因果。
2. **动态模糊变量表示**：将连续监测值映射到模糊状态区间，利用模糊隶属度函数\(m_{ij}(e_i)\)表示证据对离散状态的隶属程度，生成时变模糊证据。
3. **FUTURE算法**：引入虚拟证据变量\(VE_i(t_m)\)，通过计算条件概率\(\Pr\{X_{ij}(t_m)|VE_i(t_m)\}\)实现模糊证据的因果推理，并整合时序因果跨越多个时间片。
4. **EELA策略**：基于证据节点结构图（ENSG, evidence node structure graph），在逻辑乘法过程中尽早应用逻辑幂等律吸收冗余中间项，将计算复杂度降至\(O(n\log n)\)（\(n\)为变量数）。
5. **因果简化策略**：根据实时证据，剔除与证据无关或矛盾的变量和因果链，生成仅包含有效因果的子图C-DG(Bi,tm)，缩小推理规模。
6. **样本队列来源**：实验基于宁德核电厂CPR1000反应堆（1089 MW）的全范围模拟器，构建了二次回路系统故障的因果图，融合数据驱动统计学习、系统运行机制和领域专家知识。

#### 研究结果

**5.1 比较分析实验（C-DUCG与其他方法）**
在与DFS-MH、RW-Par、RHT、RHT-PG的对比实验中，基于50节点网络、2个故障根因、10%告警采样率，经过100次重复实验，C-DUCG在AC@1和AC@5指标上均最高，其中AC@5达到0.999，比最佳基线方法RHT-PG（0.952）提升4.9%，几乎实现完全根因覆盖。平均推理时间仅10 ms，显著优于其他方法，证明了算法在数据不完整条件下的鲁棒性和效率。

**5.2 比较分析实验（C-DUCG与DBN）**
通过随机生成不同规模的有向无环图（DAG, directed acyclic graph），并设置弧数分别为节点数的1.0、1.3、1.5倍，每个诊断推理测试包含6个时间片。实验结果显示，随着节点数和时间片增加，DBN的精确推理复杂度急剧上升，而C-DUCG由于紧凑的因果表示、因果简化和EELA策略，其推理时间始终维持在较低水平，呈现显著的计算效率优势。

**5.3 核电厂故障诊断实验**
在15个故障案例（涉及二次回路系统）上，C-DUCG以100%准确率定位故障根因，平均每次推理迭代耗时9.42 ms。以“涡轮控制阀GRE001VV卡涩全开（根因变量B35）”为例，展示了C-DUCG如何利用动态模糊变量X68（给水除氧器水箱压力）的模糊隶属度时序变化，结合17个时间片的观测证据，生成立方因果图C-DG(B35,t17)，唯一诊断出B35，并直观呈现故障演化路径。

#### 讨论与结论

**讨论**：C-DUCG的有效性依赖于因果图对故障模式因果关系的准确表示。在核电厂中，不同电厂在参数波动范围、报警阈值等方面存在差异，因果图的构建高度依赖故障样本数据和领域工程知识，缺乏跨电厂的通用性。未来工作将引入迁移学习策略，自动构建因果图以提升工程适用性。

**结论**：提出的C-DUCG方法能够灵活表示和高效推理工业故障中的动态、模糊和不确定证据。立方因果图全面描述了故障实时状态及其演化过程，动态因果推理算法揭示了故障传播的内在过程，使推理结果具有可解释性和可信度。在核电厂模拟器上的对比分析和故障诊断实验验证了该方法在工业系统中的效率和有效性。