针对工业过程的硬约束与软学习双重图异常检测方法

《Engineering Applications of Artificial Intelligence》：Hard constraints and soft learning dual-graph anomaly detection for industrial processes

　　传章|明青张|易罗|魏科|群雄朱|彦琳何|杨张|袁旭 北京化工大学信息科学与技术学院，北京100029，中国 摘要 异常检测对于工业过程的安全稳定运行至关重要。工业数据具有强烈的时空依赖性，而变量之间的相互作用往往动态演变。传统方法难以同时建模固定的物理约束和动态数据关系。本文提出了一种硬约束与软学习双图异常检测（HCSL-DGAD）方法。首先，基于工业过程各组件之间的连接构建了一个具有硬约束的宏观图，并通过基于注意力机制的自适应方法构建了具有软学习的微观图。宏观图通过时空图卷积网络传递物理约束，以确保异常传播路径的合理性。微观图使用多头注意力机制动态学习节点之间的隐含关系，并捕获物理拓扑结构无法覆盖的耦合信息。其次，为了解决时空域中的多尺度异常问题，采用双通道架构从宏观图和微观图中提取特征。在微观图通道中交替更新边权重和节点状态，以准确识别不同尺度上的异常模式。同时，在宏观图通道中结合了时间注意力和变量注意力，共同提高检测精度。在三个基准数据集上的广泛实验表明，HCSL-DGAD在Tennessee Eastman（TE）过程、Secure Water Treatment（SWaT）和PROcess NeTwork Optimization（PRONTO）数据集上的平均F1分数分别为98.24%、89.92%和87.00%。 引言 现代工业系统中组件之间的相互作用日益复杂（明青张等，2025；王等，2025）。一个组件的异常很容易在整个系统中引发连锁反应。因此，设计一个可靠的异常检测模型至关重要（周等，2025；李等，2025；吴等，2024；Martinez-Rau等，2024）。近年来，自动化机器学习为模型选择和参数优化提供了有效支持，提高了工业过程监控的效率和泛化能力（Ashraf等，2021；Leite等，2022）。现有的异常检测方法主要包括基于统计建模、机器学习、深度学习和图智能建模的方法。基于统计学习和概率建模的异常检测方法包括主成分分析（PCA）、动态主成分分析（DPCA）、核主成分分析（KPCA）和高斯混合模型（GMM）（Baldoni和Battisti，2025；Nguyen等，2024；Guo等，2025）。这些方法通常假设数据遵循线性或高斯分布。当数据包含噪声或不符合假设的分布时，这些方法的性能通常较差。 与统计学习和概率建模方法相比，机器学习异常检测方法更具适应性。常见的方法包括支持向量机（SVM）、孤立森林（kNN）和基于密度的噪声空间聚类（DBSCAN）（Bu等，2024）。在现实世界场景中，很难确定哪些样本是异常的。局部异常因子（LOF）方法通过从正常数据中学习分布边界或密度特征来实现无标签异常检测。这些方法具有较好的适用性，但在处理复杂的时间依赖性和大量数据时仍面临重大挑战。 深度学习方法在处理时间依赖数据、高度耦合的数据和大型数据集时通常表现更好（徐等，2025a）。典型的深度学习方法，如卷积神经网络（CNN），通过卷积提取局部空间特征，而循环神经网络（RNN）及其变体（例如LSTM和GRU）在建模时间依赖性方面表现出色（张等，2022；Dai和Chen，2022；Javed等，2021；Zamanzadeh Darban等，2024；Qi等，2025）。结合生成架构（如变分自编码器（VAE）和生成对抗网络（GAN）的异常检测模型具有更好的表达能力（肖霞张等，2025）。Martinez-Rau等（2025）提出了一种用于挖掘输送带的边缘侧混合轻量级异常检测方法。该方法结合了无监督聚类和监督分类，实现了在低功耗MCU上的高精度、低能耗和低内存的实时检测。Ullah等（2023）将CNN和Transformer结合起来形成了一种异常检测方法。该方法可以捕捉数据中的时空依赖性。Zhong等（2025）提出了一种基于差异分布的异常检测模型。该模型通过突出正常数据和异常数据之间的分布差异来提高异常检测性能。Cai等（2023）提出了一种基于归纳Transformer（ITran）的异常检测方法。该方法将归纳偏差和卷积操作纳入Transformer模型，打破了Transformer是数据密集型的固有印象。Li等（2024）提出了一种时空Transformer，旨在捕捉多变量时间序列中的内在时空依赖性。在标准Transformer架构的基础上，该模型使用堆叠的编码器块重建时间序列数据并进行异常检测。然而，上述方法通常将数据视为独立的时间序列变量序列，忽略了变量之间的复杂结构依赖性。 随着工业系统的发展，数据不再由独立样本表示，而是表现出复杂的拓扑关系和多实体相互作用。图神经网络（GNN）因其在建模结构化数据方面的优势而被广泛引入异常检测领域。Deng和Hooi（2021）提出了一种图偏差网络（GDN），它结合了结构学习方法和图神经网络，并使用注意力权重为检测到的异常提供可解释性。Chen等（2022）提出了一种基于GNN的新多变量时间序列异常检测模型（GraphAD），该模型将关键性能指标（KPI）分解为稳定性和波动性组件，并通过图神经网络从属性、实体和时间角度提取其模式。Zhao等（2020）提出了一种基于图注意力网络（MTAD-GAT）的多变量时间序列异常检测方法，将每个单一指标时间序列作为特征，然后使用两个并行的GAT网络层来学习多个时间序列之间的时序和特征依赖性。Guo等（2023）通过利用GNN将过程知识融入数据驱动建模，并采用注意力机制捕捉传感器之间的依赖性。Liao等（2024）将多变量时间序列的时空特征分为稳态特征和动态特征。