KDACL：一种基于知识-数据融合的方法，利用大型语言模型在过程工业中构建可解释的异常因果链

《JOURNAL OF INTELLIGENT MANUFACTURING》：KDACL: A knowledge-data fusion-driven method for interpretable anomaly causal chain construction in process industries using large language models

过程工业异常检测需融合知识数据构建因果链，KDACL方法通过LLM与RAG结合，利用实时传感器数据验证因果假设，动态修正偏差，提升准确性和可解释性。

　　

摘要

流程工业的特点是连续性高、参数耦合性强以及安全要求严格，在这种环境中，异常情况很容易通过物料流动和能量传递传播，从而导致中断或事故。对这些系统进行根本原因分析不仅需要准确识别根本原因，还需要构建一个可解释的因果链，将“根本原因-中间因素-异常特征”联系起来。然而，现有的方法存在数据与知识之间的脱节问题：基于数据的方法依赖于大量的传感器数据，但容易出现虚假因果关系且可解释性较差；基于知识的方法依赖于静态的先验知识，难以适应工业过程的动态变化。为了解决这一问题，本文提出了KDACL（利用大语言模型进行异常因果链构建的知识-数据融合方法），这是一种适用于流程工业的可解释根本原因分析方法，它整合了大语言模型（LLM）、思维链（CoT）和检索增强生成（RAG）技术。该方法构建了一个可追溯的推理框架，并实现了知识与数据的双模态协同增强。它利用RAG选择性地检索相关的机械知识，为LLM提供物理依据，同时限制数据因果关系的挖掘以避免虚假因果关系。同时，它使用实时传感器数据对LLM生成的初始因果假设进行时间和一致性验证，从而消除知识上的不一致性，动态纠正偏差，使LLM能够迭代优化因果链，并保留推理决策基础，减少LLM的知识幻觉。最后，通过田纳西东曼工艺（TEP）和实际世界中的矿渣磨生产（SMP）系统的实验验证表明，KDACL能够准确识别根本原因并生成具有明确物理机制的可解释因果链。该方法在异常推断准确性和因果链可解释性方面优于传统方法，为流程工业的安全可靠运行提供了有效的技术支持。