一种基于TopoCausFormer的新型时空表示学习方法，用于复杂工业流程中的故障诊断框架

《Journal of Process Control》：A novel TopoCausFormer based spatio-temporal representation learning for fault diagnosis framework in complex industrial processes

　　

• •
  提出了一种基于因果拓扑的故障诊断框架。
• •
  提出了一种用于拓扑感知特征学习的新型TopoCausFormer模型。
• •
  构建了一种用于时空建模的图嵌入编码器。

引言

现代工业生产正在迅速向数字化、智能化发展，各个工艺单元与信息层之间也实现了紧密集成。这一发展使得工厂的规模和复杂性不断增加，设备之间的相互关联愈发紧密，物质与能量流动的耦合程度也日益增强[1]。在这样的环境下，局部异常很少能局限于某一区域：一旦出现故障，它可能会通过物理和信息路径在各个子系统中传播，从而导致停产、安全事故或环境危害，带来严重的经济和社会后果。因此，有效的故障诊断对于确保生产连续性、降低维护成本以及提升整体可靠性至关重要[2]。

工业过程数据本身的特性给故障诊断带来了很大挑战。从现代工厂采集的多变量数据具有若干显著特点。首先，这些数据具有很强的时间特性：故障可能逐渐发展，也可能突然发生，而诊断信息则可能出现在不同的时间尺度上。在本研究中，短时域动态指的是在较短观测窗口内的快速局部变化，而长时域动态则指的是在较长时间范围内逐渐积累或缓慢发展的依赖关系[3]。这两种动态对故障诊断都很重要，因为有些故障最初是通过短期瞬变现象显现的，而要实现可靠的故障识别与定位，则往往需要追踪其长期的发展与传播过程。其次，这些数据在空间上也是相互关联的：传感器和执行器属于物理过程网络中的不同单元，它们之间的相互作用受到工厂拓扑结构的限制，而非传统的欧几里得结构。第三，这些相互作用往往是定向且具有因果关系的，而非单纯的关联关系，因为干扰会沿着由物理化学机制和控制动作所决定的特定路径传播。最后，在闭环控制系统中，响应最强烈的变量并不一定是根本原因变量，这就使得在变量层面进行定位变得极为困难。综上所述，有效的故障诊断需要一种能够同时描述时间演化、结构耦合以及定向传播特性的模型。

故障诊断方法通常可分为基于模型的、基于数据的以及基于知识的三大类[4]。基于模型的方法依赖于对正常状态的数学或物理描述，通过将实际测量值与模型预测结果进行比较来检测偏差。基于知识的方法则将专家规则编码化，通过对观察到的模式进行推理来做出判断。然而，随着工厂结构越来越复杂，运行条件也愈发多变，精确建模以及持续维护专家规则变得越来越困难且成本高昂。基于数据的方法则通过直接从测量数据中学习诊断特征来解决这些问题。早期的研究主要采用统计学习方法和浅层机器学习技术，如主成分分析（PCA）[5]和线性判别分析（LDA）[6]。这些方法虽然取得了不错的成果，但往往需要手动进行特征工程，且难以处理高维、异构的数据。后来，深度学习逐渐成为主流技术，它能够自动提取高阶特征，捕捉复杂的非线性关系，并且在面对噪声和工况变化时仍能保持较强的稳定性。典型的深度学习模型包括自编码器（AE）、卷积神经网络（CNN）和循环神经网络（RNN）[7]。最近的工业异常检测研究还引入了度量学习策略，以应对过程数据中较大的类内变异问题[8]。零样本诊断框架则利用层次化属性引导以及大语言模型激活的跨模态领域知识，来提高在未见类别和标签不足情况下的故障识别能力[9]、[10]。更近期的研究还探索了可解释的融合监控方法以及智能多模型融合策略，用于处理复杂的工业过程，这进一步体现了基于学习的集成监控框架在非线性工业环境中的巨大潜力[11]、[12]。

然而，许多深度学习架构的一个固有缺陷在于，它们无法充分处理来自工业工厂的多变量时间序列中的空间依赖关系。各工艺单元之间通过守恒定律和物理化学约束相互影响，而这些相互作用又受到设备与管道的拓扑结构以及流体流动方向的制约。因此，传感器数据之间的相关性往往反映了将空间结构与时间动态相耦合的定向传播效应。传统的深度学习架构假设输入数据具有网格状的欧几里得结构，这使得它们很难模拟传感器之间不规则的连接关系[13]。图神经网络（GNN）则天然适用于处理不规则的拓扑结构，能够揭示各组件之间的相互依赖关系，从而有助于更好地提取空间特征，进而提升故障诊断的性能。不过，目前许多基于图的故障诊断方法都是基于无向图或仅考虑相关性的图结构，这类结构往往无法有效区分真正的根本原因变量与受其影响的下游变量。此外，那些分别处理空间信息和时间信息的方法可能无法捕捉到二者之间的相互耦合关系，而那些直接将二者结合的方法则可能忽视干扰传播的定向特性。因此，仍有三个问题尚未得到妥善解决：（1）如何为工业变量引入合理的定向结构先验；（2）如何同时建模拓扑耦合以及短时域和长时域的时间动态；（3）如何不仅在故障检测方面做到准确，还能在节点层面实现可解释的定位。

因果建模为解决这些问题提供了一种很有前景的途径。与基于相关性的结构学习相比，因果图能够提供与实际传播机制更为一致的定向先验，因此更有利于区分原因与结果[14]。最近的研究已经证明了因果分析在工业监控和根本原因诊断方面的价值[15]、[16]、[17]、[18]。然而，在现有的许多方法中，因果结构要么仅被用作辅助的后分析工具，要么并未深入整合到特征学习的过程中。因此，仍然需要一种统一的故障诊断框架，让因果拓扑能够直接指导时空特征的提取，并为变量层面的诊断提供支持。

针对上述存在的问题，本文提出了一种基于TopoCausFormer的时空自编码器（TCF-STAE）模型及其对应的诊断框架。首先，为了解决现有方法中缺乏定向结构先验的问题，我们将因果图作为整个框架的核心拓扑结构。这种定向拓扑能够反映工业过程的真实传播路径，从而直接指导编码器中的空间聚合与时间依赖关系建模。其次，为了同时捕捉空间结构以及长短时域的时间特征，我们基于所提出的具备拓扑和因果意识的自编码器——TopoCausFormer，构建了一个时空编码器，该编码器将因果先验与拓扑先验相结合，并融入基于Transformer的时间建模机制。此外，我们还加入了图注意力网络（GAT）[19]和长短期记忆网络（LSTM）[20]作为辅助模块，以进一步增强空间聚合能力和对长期动态的捕捉能力。最后，该框架还包含了重构解码器以及一种将重构误差与卡尔巴赫-莱布勒散度[21]相结合的故障评分机制，从而实现了有效的故障检测以及变量层面的定位功能。本文的主要贡献如下：

• 1.
  提出了一种基于因果拓扑的时空故障诊断框架，该框架能够同时提取空间特征和时间特征，从而为故障检测和变量层面定位提供支持。
• 2.
  开发了一种具备拓扑和因果意识的自编码器——TopoCausFormer，该模型能够将定向因果先验融入到时空特征学习过程中。它通过引入中心性编码和基于拓扑的空间偏置，提升了所学隐特征的分类能力。
• 3.
  构建了一种图嵌入式的时空编码器，该编码器能够同时捕捉结构耦合、短期时间交互以及长期动态演变规律，从而生成简洁的特征表示，为后续的重构任务和节点级故障诊断提供支持。

本文的其余部分结构如下：第2节将回顾相关研究工作，第3节详细介绍所提出的框架，第4节将报告在化学行业基准测试案例和钢铁轧制应用场景中的实验设置与结果，第5节则会对研究内容进行总结并探讨未来的发展方向。

章节要点

相关研究

数据驱动的故障诊断方法大致可分为时间建模、空间建模以及时空建模三类。在时间建模方面，基于局部趋势不一致性（LTI）的无监督检测方法通过多源预测和序列加权比较来识别异常情况[22]。已有研究致力于在具有复杂时间特性的动态工业数据场景下实现在线监控，比如持续时间不固定的多相批量处理过程[23]以及非线性系统等

所提框架

本节将详细介绍如图1所示的基于TopoCausFormer的时空故障诊断框架，该框架由三个模块组成：并行数据预处理模块、时空编码器以及重构解码器。随后，还将介绍该框架的在线故障诊断流程。

应用案例与结果

本节将在两个应用场景中评估所提出方法的实用性与有效性：一个工业过程基准测试案例，以及一个实际的工业应用案例。选择这两个案例是为了体现引言中提到的工业过程数据的关键特征，即时间演化、空间耦合以及故障的定向传播现象。该基准测试案例涉及一个具有多个阶段的过程，其中包含多种物理性质不同的变量，可用于对比我们所提出的方法的效果

结论

本研究提出了一种基于TopoCausFormer的时空特征学习框架，用于复杂工业过程中的故障诊断。该框架利用定向因果结构来引导空间关系的提取，同时通过时间建模来捕捉长短时域的动态变化。通过将重构误差与分布偏移度量相结合，该框架能够生成用于定位的窗口级评分结果以及变量级的故障证据。在化学行业基准测试案例和钢铁轧制应用场景中，该框架均展现出了良好的性能

CRediT作者贡献说明

彭凯祥：论文撰写——审稿与编辑、研究指导、项目管理、方法设计、资金获取、形式化分析、概念构思。唐嘉寅：论文撰写——初稿编写、结果可视化、方法验证、软件开发、形式化分析、数据整理、概念构思。李铁：论文撰写——初稿编写、方法验证、软件开发、方法设计、数据整理。西尔维奥·西马尼：论文撰写——审稿与编辑、方法验证、方法设计、形式化分析。董杰：论文撰写——审稿与编辑、方法验证，

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

Kaixiang Peng|Jiayin Tang|Tie Li|Silvio Simani|Jie Dong