基于物理信息时空因果图的智能制造系统动态功能故障可追溯性模型与诊断方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Dynamic functional failure traceability model and diagnosis approach for intelligent manufacturing systems with physics-informed spatiotemporal causal graph

功能失效动态追踪与可靠性保障在智能制造中面临瓶颈，现有方法依赖相关性统计监测而忽视E-P-Q因果链的协同演化。本文提出CMC框架，通过动态E-P-Q因果链建模、融合物理约束的时空因果图构建及动态关键性指数引导的贝叶斯优化补偿，实现多工序失效溯源与主动控制。经航空涡轮叶片制造案例验证，该方法较传统统计方法提升溯源精度32.7%，补偿响应速度提高45%。

　　

李家阳|何一海|韩晓|杨金涛|卢静

北京航空航天大学可靠性与系统工程学院，中国北京

摘要：

功能故障的动态可追溯性和可靠性保障已成为实现智能制造系统智能维护协同作用的关键瓶颈。大多数现有方法依赖于基于相关性的物理设备故障统计监控，未能全面考虑功能故障演变过程中工艺参数偏差与工件质量缺陷之间的相互作用。这一限制削弱了在复杂制造环境中故障诊断的准确性和可解释性。为了解决这一问题，本研究提出了一个基于设备-工艺-质量（E-P-Q）因果链的新型因果维护控制（CMC）框架。其主要贡献有三个方面：（1）建立了一个动态的E-P-Q因果链模型，系统地描述了功能故障场景中设备退化、参数偏差和质量缺陷的跨工艺传播；（2）开发了一个基于物理信息的时空因果图，整合了热力学约束、神经微分方程和工艺拓扑注意力，揭示了功能故障导致质量异常的动态因果路径；（3）设计了一个具有因果意识的自适应控制框架，结合了两阶段可追溯机制、动态临界指数（DCI）和受限贝叶斯优化，以实现实时根本原因定位和主动补偿。该方法通过航空发动机涡轮叶片生产线的工业案例研究得到了验证。

引言

随着智能制造和质量4.0的快速发展，生产系统正从局部优化向全球协作演变，在此过程中，功能故障的可追溯性和系统可靠性保障已成为实现智能运维的关键驱动力。功能故障的传播——即设备退化通过参数偏差传递并最终表现为质量缺陷的过程——在多阶段制造中仍然是一个重大挑战。这种传播表现出复杂的时空特性，包括时间延迟、衰减和耦合效应，使得质量问题成为多阶段交互的系统结果，而不仅仅是孤立事件。因此，在这种环境中实现准确的缺陷可追溯性和可控性已成为实现零缺陷制造（ZDM）的主要瓶颈。

近年来，关于制造系统中功能故障的研究越来越强调离散故障的检测以及跨复杂生产系统的功能退化和恢复力的表征。功能故障被定义为偏离名义运行性能的情况，虽然可能不会触发二元故障标志，但仍然会降低系统输出的质量。例如，机器学习和实时监控在减轻智能制造环境中的潜在性能退化方面被强调为至关重要（[24]；Jin等人，2026年）。最近的研究进一步提出了将实时故障检测与预测和预后分析相结合的方法，以在灾难性故障发生之前捕捉设备性能的微妙变化[9,12]。此外，结合数据驱动的异常检测与容错控制策略的自适应诊断方法正在成为在退化运行条件下维持功能连续性的关键途径[12]。总体而言，这些研究表明，研究范式正在向将功能退化视为制造系统核心问题的整体故障管理方向转变，需要跨感知、建模和控制的综合方法[6,17]。

传统的统计过程控制（SPC）在稳定运行条件下已被证明可以有效减少变异，但在处理复杂生产系统中的跨工艺缺陷传播和动态因果建模方面存在不足[6]。为了提高检测和诊断能力，研究人员引入了多元统计方法和机器学习技术（Li等人，2017年；[19]）。然而，这些方法基本上依赖于基于相关性的建模，容易产生虚假关系，并限制了多源、多阶段环境中的准确缺陷可追溯性。在多阶段制造系统中，误差传输和反馈-前馈耦合被认为是质量控制的关键挑战[22]；Paynabar等人，2016年）。更近期的研究揭示了缺陷传播的动态模式，包括时间延迟、衰减和耦合效应（Colledani等人，2019年；[15]），并提出了传播路径建模和双向优化策略以改善系统级质量性能[16]。尽管如此，大多数这些研究仍然属于统计性质，缺乏明确的机制表征和因果可解释性。

同时，因果推断方法为制造系统中的缺陷可追溯性和根本原因分析提供了新的视角。尽管它们在工业实践中的应用尚处于起步阶段，但最近的综述研究强调了它们在应用于复杂、高度耦合系统时的可解释性和鲁棒性优势[23]。代表性方法，包括格兰杰因果关系、PCMCI+、结构方程建模（SEM）和基于神经微分方程的模型，在捕捉时间序列数据中的动态耦合和滞后因果关系方面展示了有效性[20,21]。然而，在制造环境中的实际应用仍面临数据异质性、观测稀疏和实时响应能力有限的挑战。与此同时，物理信息驱动的机器学习（PIML）通过将物理先验嵌入数据驱动模型中，增强了可解释性、鲁棒性和泛化性能[13,24]。神经控制微分方程（Neural CDEs）进一步使得不规则采样和延迟的工业时间序列数据建模成为可能[11]。因此，将物理先验与动态因果建模相结合越来越被认为是一种有前景的方法，可以解决智能制造系统中机制复杂性和数据不完整性的双重挑战。

尽管取得了这些进展，但仍存在几个关键限制。首先，大多数现有方法主要基于相关性，缺乏明确的因果结构来解释功能故障如何跨设备、工艺参数和质量结果传播。其次，现有模型不足以以统一的方式捕捉功能故障的时空传播特性，特别是时间延迟、衰减和跨阶段耦合的综合效应。第三，现有研究通常单独关注故障检测或预测，而没有将可追溯性、诊断和控制整合到一个闭环决策框架中。这些限制促使需要一个基于因果关系、物理一致性和操作可行的框架，用于智能制造系统中的功能故障可追溯性和控制。

为了解决这些挑战，本文提出了一个基于生产设备-工艺参数-工件质量（E-P-Q）因果传播链的因果维护控制（CMC）框架。通过将物理知识与数据驱动的学习相结合，该框架实现了动态缺陷可追溯性和可操作的干预策略。主要贡献如下：

(1)

提出了一个动态的E-P-Q因果链概念模型，系统地描述了功能故障背景下设备退化、参数偏差和质量缺陷的跨工艺传播和演变。

(2)

建立了一个基于物理信息的时空因果图模型，整合了神经微分方程和工艺拓扑注意力，揭示了功能故障通过工艺参数传播到质量异常的动态因果路径。

(3)

设计了一个基于因果关系的诊断和自适应控制框架，结合了两阶段可追溯机制、动态临界指数（DCI）和受限贝叶斯优化，以实现实时根本原因诊断和主动补偿。

本文的其余部分组织如下。第2节介绍了智能制造系统中功能故障可追溯性的基础知识，包括其动态传播特性和提出的E-P-Q因果链模型。第3节介绍了用于故障可追溯性的时空因果图构建方法，整合了物理约束和神经动态建模。第4节详细介绍了基于因果关系的诊断和自适应控制框架，包括临界性评估和基于优化的补偿。第5节通过航空发动机涡轮叶片制造的工业案例研究验证了所提出的方法。第6节总结了研究结果并讨论了未来的研究方向。

章节摘录

基于动态传播特性的生产功能故障定义

在智能制造系统中，生产设备不仅是物理载体，还确保了生产力和产品一致性。传统上，故障主要在物理层面被理解，例如组件磨损、轴承损坏或电气故障。然而，本文扩展了“功能故障”的概念：它涵盖了设备的物理故障以及由工艺参数偏差和工件质量缺陷引起的系统故障。

集成物理先验和数据驱动学习的混合因果发现架构

传统的数据驱动方法在构建E-P-Q因果图时面临三个主要挑战：（1）无法区分设备状态是否直接导致参数偏差，或者参数偏差是否间接引发了其他设备的异常状态，从而导致因果边关系的混淆；（2）质量指标观测的延迟和多种因素的叠加使得从Q追溯到根本原因E/P变得困难；（3）

基于动态因果图的临界性评估

在智能制造系统中，设备、工艺参数和质量指标之间形成了复杂的因果网络。为了量化每个节点对系统性能的影响程度，本文提出了动态临界指数（DCI），该指数全面考虑了节点的因果影响、状态波动性和路径贡献，为故障识别和优化决策提供了定量基础。

基于构建的动态因果图

背景

本案例研究聚焦于航空发动机涡轮叶片的精密制造过程，这是航空航天行业中质量要求最高的制造环节之一。现代航空发动机涡轮叶片由镍基超级合金制成，经过十多种精密工艺，如多轴CNC铣削、精密研磨、电化学处理和热障涂层。在这个复杂的制造系统中，即使是最微小的波动

结论

本研究提出了一种基于设备-工艺-质量（E-P-Q）因果链的因果维护控制（CMC）框架，以实现智能制造系统中功能故障的动态可追溯性和诊断。该框架通过航空发动机涡轮叶片制造的工业案例研究得到了系统验证。与传统的统计监控和基于相关性的方法相比，所提出的方法具有以下具体贡献：

(1)

作者声明

李家阳：概念化、撰写-原始草稿准备。何一海：概念化、可视化、方法论、监督。韩晓：数据整理、验证。杨金涛：方法论。卢静：撰写-审阅和编辑。

未引用的参考文献

[[1], [2], [3], [4], [5], 7, 8, 10, 14, 18, [25], [26], [27]]

CRediT作者贡献声明

李家阳：撰写 – 原始草稿，概念化。何一海：可视化、监督、方法论、概念化。韩晓：验证、数据整理。杨金涛：方法论。卢静：撰写 – 审阅与编辑。