一种具有因果意识的时空网络，通过预测重构技术实现对复杂工业过程中可解释异常现象的监测

《Journal of Industrial Information Integration》：A Causal-aware Spatiotemporal Network with Prediction-reconstruction for Interpretable Anomaly Monitoring in Complex Industrial Processes

　　

作者：孙伟龙、童明杰、吕明杰、郑发坤、柯玉成

摘要

在复杂的工业过程中，异常监测面临着高维度、非平稳的传感器数据的挑战，这些数据表现出复杂的变量间耦合关系。现有的深度学习方法，无论是基于平面序列模型还是图结构表示，都是通过统计相关性来构建变量关系，从而将真正的过程依赖性与虚假的混淆效应混为一谈，限制了检测的可靠性和故障的可解释性。我们提出了基于因果意识的时空网络与预测重建（CaST-PR）模型，该模型仅使用未标记的正常运行数据进行训练。顺序因果图推理（SCGI）模块通过带有基于排列的边验证的门控预测因果推理机制来学习变量间的有向依赖关系。SCGI的门控邻接输出指导时空编码器，将时频特征提取与残差图注意力相结合；经过排列优化的因果图能够通过叠加每个变量的异常贡献来追踪根本原因，从而将引发故障的变量与下游后果区分开来，支持在企业信息工作流中做出可操作的维护决策。异常通过变分残差重建方法被检测出来，从而得到一个具有统计依据的异常评分。在基准数据集和两个真实工业案例上的验证表明，CaST-PR的误报率接近于零，同时具有较高的故障检测率，始终优于七种基线方法。我们的代码可在以下链接公开获取：https://github.com/wuyouxiaozhu/Code。