基于物理信息融合时空图注意力网络的海水反渗透淡化厂异常诊断

《Water Research》：Anomaly diagnosis in SWRO desalination plants using a physics-informed spatiotemporal graph attention network

　　

摘要

海水反渗透 (SWRO) 海水淡化示范厂的可靠运行需要准确的异常检测和快速故障定位。现有的基于图的方法依赖于统计相似性来建立传感器连接，未能捕捉物理路径和特定步骤的传播延迟。为了实现 SWRO 工厂中准确的异常检测和可解释的故障诊断，本研究提出了物理信息时空图注意力网络 (PI-STGAT)，该网络通过三个元素扩展了时空图注意力网络 (STGAT)：结合领域知识与互信息 (MI) 边的混合图、用于时间延迟传播的具有滞后感知边的时空扩展，以及基于沙普利可加性解释 (SHAP) 的传感器时间步归因。来自 1,000 m3/天 SWRO 工厂的运行数据验证了其在能量、流量和电导率指标上的性能。PI-STGAT 在各折中实现了 0.946、0.946 和 0.963 的 R2 值，建立了可靠的检测参考，并使 F1 分数比基于 MI 的配置提高了 2.7 至 21.7 个百分点，特别是针对多步骤电导率异常。与五个深度学习基准（包括基于重建的自编码器、时序 Transformer 和基于图的方法）相比，PI-STGAT 实现了 0.953 的最高平均 F1 分数，比所有竞争对手高出 13.4 至 29.5 个百分点。此外，SHAP 归因成功定位了负责传感器和时间步，其峰值与原始信号偏差重合。通过统一物理路径、特定步骤延迟和传感器时间步归因，所提出的框架支持 SWRO 工厂在初始运行阶段快速稳定，实现精确的操作员干预，并可以推广到其他可以定义领域知识边的多步骤行业。

引言

人口增长、工业化和气候变化推动的全球用水需求增加，加速了可持续淡水生产技术的发展 (Kim 等，2024)。其中，海水反渗透 (SWRO) 已成为应用最广泛的淡化技术，因其能耗相对较低、水回收率高和模块化可扩展性 (Elimelech 和 Phillip, 2011; Park 等，2020; Qasim 等，2019)。然而，在实践中，SWRO 膜极易受到原海水中悬浮固体、胶体和有机物造成的污染，因此需要在反渗透单元上游进行多级预处理，如介质过滤和超滤 (UF) (Pérez-Zu?iga 等，2020; Yun 等，2025)。因此，SWRO 淡化厂作为一个紧密互联的系统运行，包含从预处理到膜分离的整个处理链路，并持续在所有工艺单元生成大量多元传感器数据 (Guo 等，2024b)。

这些多元数据构成了工厂性能监测和优化基础，特别是在初始运行阶段，操作员在此期间识别偏离设计条件的情况并调整工艺参数以实现稳定运行 (Moon 等，2025; Ruiz-García 等，2015)。然而，在此阶段，SWRO 工厂经常经历严重干扰，如临时停机和高能耗需求 (Moon 等，2025)。由于每个单元直接输送到下一个单元，由此产生的异常会传播到下游传感器，从而破坏运营效率 (Elyaakouby 等，2026)。因此，稳定运行需要一个可解释的框架，不仅能检测异常，还能定位异常起源，贯穿整个 SWRO 过程的空间耦合和时间依赖传感器网络，使操作员能够采取针对性的纠正措施。

为了确保通过故障检测实现稳定运行，主成分分析多年来一直作为过程监测的基础技术 (Garcia-Alvarez 等，2011; Melo 等，2024)，但其线性公式无法表示多步骤淡化过程的非线性动力学 (Samuel 和 Cao, 2016)。深度学习技术，如自编码器 (Lee 等，2021) 和变分自编码器 (Zhu 等，2020)，解决了这种非线性，但仍将每个时间步独立处理，忽略了故障影响下游单元的物理互连 (Guo 等，2024a)。基于图神经网络 (GNN) 的方法最近作为捕捉这些物理互连的有前景的方法而出现。通过将传感器表示为节点，将它们的关系表示为边，这些模型显式地捕捉了表征 SWRO 等多步骤过程的传感器间依赖性。近期的研究包括通过图注意力网络进行多元时间序列异常检测 (MTAD-GAT)，它将图注意力与单独的时间模块结合 (Zhao 等，2020)，图偏差网络 (GDN)，它从节点嵌入中学习传感器关系 (Deng 和 Hooi, 2021)，以及基于互信息 (MI) 和图嵌入的异常检测 (MGAD)，它从信号之间的 MI 构建图 (Huang 等，2024)。除这些方法外，时空图注意力网络 (STGAT) 已成为多步骤过程监测的强大方法，通过在统一的注意力框架内联合建模空间传感器关系和时间动态 (Guo 等，2024a)。

然而，当这些基于 GNN 的方法应用于 SWRO 示范厂时，仍存在三个局限性。首先，边是从统计相似性构建的，如 MI、嵌入距离或注意力分数，这些无法表示控制步骤间影响的物理路径，包括跨泵和膜的守恒或盐拒绝机制。其次，尽管纳入了时间建模，基于 GNN 的方法很少捕捉通过上游 SWRO 异常影响下游传感器的特定步骤时间延迟，限制了这些延迟依赖关系的表示 (Chen 和 Zhao, 2022)。第三，虽然现有方法实现了强大的检测性能，但它们通常不是设计用来定位负责异常的具体传感器和时间步的。尽管基于图的解释方法，如 GNNExplainer，已被提出以解决这种定位缺陷，但其输出形式为结构重要节点和边的显著子图，而不是分配给每个传感器在每个时间步的带符号加性贡献 (Ying 等，2019)。因此，这些类型的解释对每个传感器在每个时间步对给定异常的贡献提供的见解有限，限制了其在操作员可操作故障诊断中的适用性。

在本研究中，提出了一种可解释的异常检测和诊断框架，以实现 SWRO 淡化示范厂在初始运行阶段的快速稳定，此时频繁发生瞬态干扰，且及时故障定位至关重要。所提出的框架名为物理信息时空图注意力网络 (PI-STGAT)，基于 STGAT 架构，围绕三个连续设计元素构建。首先，混合图整合了领域知识边，基于 SWRO 过程中已知的物理关系分配正或负符号，与从统计相似性导出的数据驱动边相结合，从而允许模型利用领域机制和观测相关性。其次，混合图扩展为时空结构，其中每条边携带特定步骤的时间延迟，使模型能够捕捉上游异常如何随时间传播到下游传感器。第三，基于沙普利可加性解释 (SHAP) 的归因应用于训练好的模型，以分配每个传感器在每个时间步的带符号加性贡献，产生检测到的异常的传感器级别和时间级别解释 (Song 等，2025)。通过在统一框架内整合物理信息图构建、滞后感知时间建模和基于 SHAP 的传感器时间步归因，本研究支持工厂操作员快速定位故障起源，并为多步骤过程系统中可解释异常诊断提供了一种可推广的方法。

章节片段

材料与方法

在本研究中，开发了一种 PI-STGAT 模型，用于检测和诊断 SWRO 海水淡化示范厂的异常运行状况。图 1 显示了所提出的异常检测和诊断框架的示意图。图 1a 说明了数据准备过程，包括基于 5 折的数据分割以构建深度学习模型和异常标记以定义明显的异常运行状况，使用从 1,000 m³/d 示范淡化厂收集的监测数据

PI-STGAT 在正常运行条件下的回归性能

由于异常分数源自预测值和观测值之间的残差，因此首先检查了 PI-STGAT 在正常运行条件下的回归准确性，以建立可靠的参考。通过贝叶斯优化 (Shahriari 等，2015)，针对三个监测目标分别独立优化了 PI-STGAT，该优化联合调整了混合参数 α、MI 阈值和训练超参数。每个优化后的模型随后进行了评估

结论

在本研究中，我们开发了一种 PI-STGAT 模型，用于检测异常并精确识别其根本原因，特别是在 SWRO 示范厂的初始运行期间，此时预处理和膜步骤紧密互联。该框架整合了三个元素：结合领域知识和 MI 边的混合图、编码跨处理步骤时间延迟传播的具有滞后感知边的时空扩展，以及基于 SHAP 的归因映射，将每个预测映射到

CRediT 作者贡献声明

Hyeongcheol Noh: 写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，软件，方法论，调查，形式分析，概念化。 Jeongwoo Moon: 写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，软件，方法论，调查，形式分析，概念化。 Byeongchan Yun: 写作 – 审阅与编辑，方法论，概念化。 Jihye Kim: 资源，调查，数据整理。 Kiho Park: 写作 – 审阅与

Hyeongcheol Noh|Jeongwoo Moon|Byeongchan Yun|Jihye Kim|Kiho Park|Kyung Hwa Cho

韩国大学土木、环境及建筑工程学院，韩国首尔特别市城北区安岩路 145 号，02841