工业过程监控中的因果结构发现：一种针对具有复杂噪声的非线性系统的新方法

《IEEE Internet of Things Journal》：Causal Structure Discovery for Industrial Process Monitoring: A Novel Approach for Nonlinear Systems With Complex Noise

针对工业传感器数据中混合线性-非线性关系和非高斯噪声的挑战，提出基于多项式混沌展开（PCE）的因果发现框架，通过多准则策略减少误发现并量化不确定性，实验验证在真实化工数据中F1-score达88.9%，较基线提升27.7%，且在高维合成数据中表现更优。

　　

摘要：

现代工业生产过程会产生大量的传感器数据，这些数据需要通过自动化的因果发现方法来进行流程优化和预测性维护。然而，工业大数据通常表现出线性与非线性关系的混合特征，并伴有非高斯噪声，这给现有的因果发现方法带来了挑战。本文提出了一种可扩展的因果发现框架，该框架利用多项式混沌展开（PCE）技术来处理复杂的工业数据特性。我们的方法采用多标准策略来最小化错误发现的可能性，以确保工业安全。该方法能够在多项式时间内处理高维传感器数据，并通过自举置信区间提供不确定性量化。在来自化学过程的真实工业数据集上的验证表明，该框架的F1分数达到了88.9%，比基线方法高出27.7%。此外，针对合成基准数据的实验也证明了该框架在处理不同问题维度时的鲁棒性能：随着维度增加，性能提升幅度从26.7%提高到了63.9%。该框架能够从历史过程数据中成功识别出线性控制回路和非线性安全机制，为操作人员提供数据驱动的决策支持。这项工作为智能制造应用中的数据驱动因果发现技术做出了贡献，在这些应用中，理解复杂变量之间的相互作用对于实现自主流程控制至关重要。

引言

从观测数据中进行因果发现对于科学理解和跨领域的明智决策至关重要。在工业物联网（IoT）的过程监控中，密集的传感器网络会产生高频数据流，其中包含常规运行状态以及偶尔发生的异常事件和模式切换[1]、[2]。生物系统结合了线性信号级联与非线性反馈回路及饱和效应[3]、[4]。金融市场在正常情况下表现出线性相关性，但在危机期间则会出现非线性传染效应[5]。这些系统很少符合传统因果发现算法的简化假设：它们主要表现为线性传感器关系，但其中穿插着关键的非线性安全机制和状态转换，且通常受到非高斯噪声和重尾噪声的影响。这就提出了一个根本性的挑战：我们如何有效地发现既能捕捉线性关系又能捕捉非线性关系的因果结构呢？