基于符号偏差校准与机制一致性证据推理的LNG储罐可解释异常诊断与根因分析

《Journal of Marine Science and Engineering》：Interpretable Anomaly Diagnosis and Root-Cause Analysis of LNG Storage Tanks Using Signed-Deviation Calibration and Mechanism-Consistent Evidence Reasoning

　　

大型LNG储罐是连接海上运输与接收终端储存和外输的关键岸基设施。其连续监测需要异常识别、保留具有物理意义的偏差方向，以及将异常状态与潜在失效模式相关联。本研究提出了一个可解释的异常诊断与根因分析框架，将符号偏差校准的多分支概率自编码器（SDC-MPAE）与机制一致证据推理（MCER）相结合。SDC-MPAE通过通道自适应符号扰动、正常流形锚定重建和符号偏差校准，从正常监测数据中学习连续符号状态。MCER将机制一致关系物元模型（MCREM）与分布感知保留不确定性的Dempster–Shafer融合（DUR-DS）相结合，以映射符号状态并融合绝对机制支持、候选分布和源间冲突。以中国唐山一座200,000 m³全包容式LNG储罐为工程案例；其实际温度、压力和液位监测数据支持模型训练与测试，同时根据代表性失效机制独立构建参数化异常测试场景。SDC-MPAE的准确率为0.9704，PR AUC为0.9850；MCER的Top-1和Top-3根因准确率分别为0.946和0.985，MRR为0.971。消融和鲁棒性分析证实了方向表示、候选判别和不确定性表达的改进，为LNG接收与储存基础设施的可解释诊断提供了一条可行途径。

该研究针对大型液化天然气（LNG）储罐在稀疏多通道监测下的可解释异常诊断与根因分析问题展开。大型LNG储罐是连接海上LNG运输与接收终端储存、再气化和外输的关键岸基设施，其温度、压力和液位等变量在深冷条件下强耦合。现有重构类异常检测方法主要表征偏差幅度，未充分开发利用偏差方向所携带的物理信息；异常状态与候选失效模式之间也缺乏同时表达响应方向、响应水平、近零要求与知识边界不确定性的连续映射；多源证据融合还需处理绝对机制支持、候选分布与证据冲突。为此，研究人员提出将符号偏差校准的多分支概率自编码器（SDC-MPAE）与机制一致证据推理（MCER）相结合的可解释诊断框架，并在中国唐山某LNG接收终端一座200,000 m³全包容式储罐上开展工程案例验证。论文发表在《Journal of Marine Science and Engineering》。

主要技术方法方面，SDC-MPAE通过通道自适应符号扰动、正常流形锚定重建和符号偏差回归校准，将常规无符号重构残差转换为同时包含偏差方向与相对幅度的连续符号状态。MCER中的机制一致关系物元模型（MCREM）根据响应方向、支撑区间、近零域和边界紧凑度建立状态与候选失效模式之间的连续支持映射；分布感知保留不确定性的Dempster–Shafer证据融合（DUR-DS）通过证据激活、合取组合和共识约束冲突处理，融合多源证据并保留残余不确定性。数据来自唐山某LNG接收终端储罐的1440条正常温度、压力和液位监测记录，按8:2随机划分训练集与测试集；异常测试场景基于代表性失效机制独立参数化构建。

**异常检测与符号状态提取**。在温度、压力和液位三个监测通道上，SDC-MPAE的系统级准确率达到0.9704，F1分数为0.9703，ROC AUC为0.9741，PR AUC为0.9850。通道级方向状态识别中，三个通道的正常态识别率均不低于0.95，正负偏差直接混淆率低于0.06，表明该模型能够同时完成系统级异常检测、通道级异常定位和偏差方向识别。

**根因诊断性能**。以代表样本A为例，该样本对应储罐溢流（M4）模式。融合前M4的归一化候选支持为0.4149，经MCER多源证据推理后融合支持升至0.8366，同时有0.1491的质量保留在识别框架上作为残余不确定性。在七种候选失效模式上，MCER的Top-1准确率为0.946，Top-3准确率为0.985，平均倒数秩（MRR）为0.971，均优于WSM、GRA、TOPSIS、CRITIC-TOPSIS、VIKOR和余弦相似度等基线方法。

**对比评估**。在异常检测层面，SDC-MPAE的准确率、F1分数、ROC AUC和PR AUC均超过PAE、MPAE、OCSVM、IF、Deep SVDD和TranAD。在根因排序层面，所有下游方法统一使用SDC-MPAE输出的连续符号状态作为输入；MCER在所有评估指标上表现最优，其Top-1准确率比最佳传统基线VIKOR高0.069，且逐失效模式识别率均高于0.94，说明性能提升并非仅由少数易识别模式驱动。

**消融分析**。对SDC-MPAE分别移除符号偏差校准损失、锚定重建和自适应更新后，方向宏召回分别降至0.820、0.852和0.892，表明符号偏差校准损失主要贡献方向状态建模，锚定重建维持正常参考，自适应更新提升跨通道训练鲁棒性。对MCER进行逐步贡献分解后，引入MCREM使Top-1准确率提升0.059，证据融合进一步贡献0.041，说明机制支持构建与多源证据融合之间存在互补协同。

**鲁棒性分析**。在测量噪声水平为5%、10%、15%时，方向宏召回由0.910降至0.845，Top-1准确率由0.920降至0.860，残余不确定性由0.170升至0.250。候选机制知识边界在±15%扰动下，Top-1准确率仍为0.870。缺失温度、液位和压力通道时，Top-1准确率分别降至0.850、0.820和0.770，表明压力通道提供最广的模式判别信息，液位通道对若干特征失效模式提供强判别，温度通道主要贡献辅助分离和近零约束。

**讨论**。研究结果表明，该框架的性能优势并非来自单一模块，而是源自上游符号偏差校准、下游机制一致支持构建和多源证据融合的共同作用。随着输入信号质量下降或知识边界扰动增大，框架不仅识别性能逐渐下降，还会提高残余不确定性，而非继续给出过度自信的确定性结论。未来可结合更长时间的正常运行记录和异常事件记录，进一步评估误报频率与检测延迟；受现场监测系统1小时采样间隔限制，短时瞬态事件无法从现有数据中分辨，需更高频监测或专用动态传感支持。

**研究结论**。该研究提出了集成SDC-MPAE与MCER的可解释异常诊断与根因推理框架，解决了多通道监测下的方向性异常状态表示、机制一致候选映射和不确定性感知多源证据推理问题。主要结论包括：（1）SDC-MPAE通过通道自适应符号扰动、正常流形锚定重建和符号偏差校准，将无符号重构残差转化为包含偏差方向与相对幅度的连续符号状态；案例中准确率为0.9704，F1分数为0.9703，ROC AUC为0.9741，PR AUC为0.9850。（2）MCER集成MCREM与DUR-DS，在方向、支撑域、近零和知识边界约束下构建连续机制一致支持，并在融合中保留不可解释冲突；代表样本的M4融合支持从0.4149升至0.8366，同时0.1491的质量保留为残余不确定性。（3）在七种失效模式下，MCER的Top-1准确率为0.946，Top-3准确率为0.985，MRR为0.971；鲁棒性分析显示性能随噪声和边界扰动增加而逐步下降，且在缺失通道条件下仍能输出可用诊断结果。该工程案例表明，所提框架可从大型LNG储罐实际多通道监测数据中提取异常状态及偏差方向，并在机制信息异常场景下实现候选根因排序和残余不确定性表达，为LNG储罐异常识别与故障调查提供了可解释的诊断途径。