基于非高斯性引导的稀疏因果学习,用于工业过程中的多根因分离与诊断

《Process Safety and Environmental Protection》:Non-Gaussianity-Guided Sparse Causal Learning for Multi-Root-Cause Decoupling and Diagnosis in Industrial Processes

【字体: 大 中 小 】 时间:2026年08月07日 来源:Process Safety and Environmental Protection 7.9

编辑推荐:

  摘要:工业过程往往存在多个同时存在的故障源。不同故障源产生的传播效应会相互干扰,导致因果关系难以识别,进而使得根本原因分析不准确,这可能会延误纠正措施的实施,甚至引发工艺安全事故。为解决这一难题,本研究提出了一种稀疏因果解耦模型。首先,通过数学推导揭示了以格兰杰因果关系为代表的传

  摘要:工业过程往往存在多个同时存在的故障源。不同故障源产生的传播效应会相互干扰,导致因果关系难以识别,进而使得根本原因分析不准确,这可能会延误纠正措施的实施,甚至引发工艺安全事故。为解决这一难题,本研究提出了一种稀疏因果解耦模型。首先,通过数学推导揭示了以格兰杰因果关系为代表的传统根本原因分析方法在多根源故障场景下的内在缺陷。随后,我们构建了一个基于结构向量自回归形式的统一数学框架,该框架将多根源非高斯冲击的稀疏注入机制明确纳入固有因果结构中。利用独立非高斯故障源的高阶统计特性,可分离出那些无法通过传统二阶统计方法识别的叠加传播效应。最后,设计了一种块坐标下降算法来优化该模型,从而提取出与多重根源因素解耦后的因果关系,其中核心的凸优化问题可通过带闭式更新方式的交替方向乘子法求解。通过在数值示例和真实工业钻井平台上的验证,结果表明所提方法在多根源故障场景下的因果推断精度及根本原因定位精度均优于现有主流方法。

引言:现代工艺行业,包括化工、石化以及能源生产系统,正逐渐向大规模、复杂化且高度整合的架构发展。设备与工艺变量之间的耦合作用日益增强,局部故障很容易沿着生产流程快速传播,引发连锁反应,甚至导致非计划性停机和安全事故。故障根本原因分析的目标是通过变量的时间序列数据推断变量间的因果依赖关系,构建故障传播路径,最终确定故障源,这对于确保工艺装置的安全可靠运行至关重要。从因果建模的角度来看,现有的工业过程根本原因分析方法可分为四大类:格兰杰因果关系、传递熵、收敛交叉映射以及贝叶斯网络。传递熵通过衡量一个变量的不确定性在已知另一个变量历史值后的降低程度,来量化变量间的有向信息流,从而有效捕捉非线性因果关系。收敛交叉映射基于状态空间重建理论,通过判断一个变量的历史状态是否能够可靠地估计另一个变量的状态来检测因果关系,因此适用于确定性动态系统。贝叶斯网络则通过有向无环图描述工业过程变量间的因果关系,并通过条件概率分布量化因果强度,从而在复杂工业系统中进行概率性因果推断以确定根本原因。尽管这些方法各有优势,但传递熵和收敛交叉映射本质上是双变量分析方法,在多变量场景下会受到维度灾难的影响。而贝叶斯网络通常需要流程图等先验知识来初始化图结构,这限制了其在复杂工业系统中的应用。相比之下,格兰杰因果关系提供了一种灵活的建模框架,可自然扩展到多变量场景。传统格兰杰因果关系的核心逻辑是:如果变量xj的滞后值能显著提升变量xi的预测精度,那么xj就是xi的格兰杰原因。在多变量工业场景中,格兰杰因果关系通常通过向量自回归模型来实现,通过估计VAR模型的系数矩阵构建有向因果图,然后找出因果图中入度为零的节点作为根本原因变量。基于格兰杰因果关系的现有根本原因分析方法可分为三类:成对比较法、正则化VAR法和神经格兰杰法。成对比较法通过每对变量间的F检验来推断因果关系,但无法处理工业过程中的多变量交互效应。这一局限性促使人们采用条件格兰杰方法,该方法通过将所有其他变量的滞后值纳入统一的预测模型来评估两个变量间的因果关系,但这样做可能会在预测模型中引入大量独立变量,从而导致维度灾难,降低模型稳定性。正则化VAR法通过引入Lasso等正则化方法,限制VAR系数矩阵的稀疏性,从而能够在高维场景下实现因果学习。这些方法会自动选择最相关的滞后变量,并将不重要的系数压缩至零,即便变量数量远远超过可用时间序列的长度,也能实现可靠的因果结构识别。此外,神经格兰杰模型则通过将稀疏正则化机制嵌入基于深度学习的预测框架中,将该范式扩展到非线性场景。这类方法通常采用循环神经网络、Transformer或图神经网络等架构来模拟复杂的非线性动态,同时通过对输入层权重施加稀疏性约束,来确定对预测最有意义的变量。不过,它们的性能在很大程度上依赖于大规模训练数据的获取。在工业实践中,故障状态的时间序列数据往往较为稀缺,这就限制了深度学习方法的应用。虽然上述格兰杰因果关系方法已被广泛用于工业根本原因分析,但它们都有一个共同的局限:它们都基于单一故障源的隐含假设。而在现代工业过程中,多个故障源可能同时发生或相继出现。在这样的多根源故障场景下,不同故障源产生的传播效应会在下游变量处叠加,从而导致严重的因果效应耦合问题。例如,某个根源故障产生的正向偏差可能在反应器或分离单元的某个共同下游节点被另一个故障产生的负向偏差抵消,从而使相应的因果关系变得微不足道。这样一来,真实因果路径在观测数据中可能会被部分掩盖,导致故障排查方向错误,进而影响工艺安全。为解决工艺系统中多重根源故障的叠加问题,本研究提出了一种稀疏因果解耦模型。首先,基于工业故障传播的物理一致性前提,通过数学推导揭示了传统格兰杰因果关系在多根源故障场景下的内在缺陷。随后,我们提出了以结构VAR形式表达的稀疏因果解耦模型。该模型在学习系统固有因果结构的同时,还包含了结构冲击注入矩阵和负熵惩罚项,因此可以利用独立非高斯故障源的高阶统计特性,分离出那些无法通过传统二阶统计方法识别的叠加传播效应。此外,我们还设计了块坐标下降算法来优化该模型,其中核心的凸优化问题可通过交替方向乘子法求解,从而确保该凸问题的收敛性。主要贡献如下:1)基于工业故障传播的物理一致性前提,我们从理论上阐明了多根源故障中的叠加效应如何导致传统格兰杰因果关系方法中系数估计出现偏差以及因果关系无法被识别;2)通过引入稀疏结构冲击注入矩阵和负熵惩罚项,所提出的SCDM方法能够捕捉独立非高斯故障冲击的高阶统计特性,从而分离出多重根源故障带来的因果依赖关系;3)我们设计了块坐标下降算法,其中核心的凸优化问题可通过带闭式更新方式的交替方向乘子法求解。在给定假设条件下,目标函数序列是单调递减的,且连续块迭代过程中的每一个积累点都是稳定点。本文的其余结构如下:第2节阐述传统格兰杰因果关系在多根源故障场景下的失效机制,并明确本研究的问题与动机;第3节详细介绍所提出的模型及优化方法;第4节通过两个实验案例验证所提方法的有效性;第5节给出结论。

研究问题与动机:依据相互连接的工艺单元中故障传播的物理特性,本节通过数学推导揭示了传统格兰杰因果关系在多根源故障场景下的失效机制,同时明确了本研究要解决的问题。

方法论:本节介绍了所提出的SCDM方法。其核心设计围绕两个关键点展开:故障传播的物理一致性约束以及非高斯高阶矩的解耦。通过明确建模多根源故障的注入与传播机制,可将因果结构学习、多根源故障效应解耦以及根本原因定位这三项任务整合到一个统一的数学框架中,从而解决问题。

实验验证:为验证所提方法的有效性,我们在一个数值示例以及一个真实的多元根源液压钻井平台案例上进行了实验。我们将所提出的SCDM方法与四种对比方法进行比较,这四种方法分别是成对格兰杰因果关系法、VAR-Lasso法、非高斯SVAR法以及神经格兰杰法。为确保公平比较,每种方法都通过相同的基于交叉验证的流程调整到最优配置。

结论:为解决工业过程中多重故障传播效应叠加导致的因果关系无法识别这一核心问题,我们提出了一种SCDM方法。我们从理论上揭示了传统基于格兰杰因果关系的方法在多根源故障场景下的内在缺陷,为后续模型设计提供了理论基础。随后,我们构建了一个统一的SVAR框架,该框架将非高斯故障冲击的稀疏注入机制与系统的固有结构明确结合在一起。

CRediT作者贡献声明:陈世涛:写作——审阅与编辑、可视化、验证、方法论;张本浩:写作——审阅与编辑、写作——初稿、可视化、验证、方法论、研究调查、形式分析、概念构建;宋鹏宇:写作——审阅与编辑、写作——初稿、监督、方法论、资金获取、形式分析、概念构建。

利益冲突声明:作者声明不存在任何可能影响本文工作的已知财务利益或个人关系。

致谢:本研究部分得到了中国博士后科学基金的支持,项目编号为2025M781665。

张本浩|宋鹏宇|陈世涛
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号