基于因果增强双向图注意力网络的故障传播路径识别方法

《Engineering Applications of Artificial Intelligence》：Fault propagation path identification method based on a causal- enhanced bidirectional graph attention network

　　

## 摘要

随着现代工业过程日益大规模化和集成化，过程变量之间的相互作用和耦合变得更加复杂，使得故障源定位和故障传播路径识别面临越来越大的挑战。传统的故障源图谱通常基于统计相关性或预定义的过程拓扑构建，因此无法捕捉方向性的因果信息，这可能导致产生冗余或具有误导性的传播路径。为了克服这些局限性，本文提出了一种用于故障传播路径识别的因果增强双向图注意力网络（CE-Bi-GAT）。具体而言，开发了一种路径感知传递熵（PATE）方法，通过集成k近邻候选筛选、条件传递熵估计和k-PHop路径感知聚合来构建有向加权因果图。基于所得因果图，设计了一个双向图注意力网络，同时建模正向故障传播和反向诊断推理。此外，引入了一种反向注意力机制来解码症状到根源的传播路径，并通过联合优化目标增强了根本原因定位和路径可解释性。在田纳西州Eastman过程中的实验结果表明，CE-Bi-GAT实现了94.6%的路径追踪准确率、82.5%的根本原因定位准确率和0.78的路径显著性指数， consistently优于传统基线方法和近期的基于图注意力的故障诊断方法。两个合成氨案例研究进一步验证了所提方法的跨过程泛化能力。

## 引言

现代工业过程已向越来越大规模和集成的架构演进，这使得系统耦合和变量相互作用加剧，导致更加复杂和动态的故障传播行为（Chen等，2024）。因此，当局部故障发生时，识别根本原因变得更加具有挑战性，而延迟干预可能导致重大生产损失（Deng，2025；Towell等，2024）。因此，开发能够精确定位故障源并可靠重建故障传播路径的高效准确故障追踪方法已成为重要的研究焦点（Qian等，2025）。

故障追踪的基本目标是沿着故障传播关系反向推理，从观测到的故障症状中推断负责该故障的根本变量。这一过程构成了一个系统性的因果推理框架，将过程知识与数据驱动建模相结合，以识别复杂工业系统中的故障源（Qian等，2025；Weng等，2025）。与传统的故障分类不同，故障传播路径识别不仅需要识别故障类别或根本变量，还需要重建一个有序的且可解释的传播路径。因此，有效的故障追踪方法应明确定义被监控的系统状态、观测到的症状节点、根本变量搜索空间以及需要重建的故障传播路径。

现有的故障传播路径识别方法主要包括基于图模型的追踪、定量因果推理、统计学习、不确定性感知优化和基于GNN的故障诊断。然而，现有方法通常将因果图构建与路径识别分离，这可能会引入冗余的关联边，并导致模糊或方向不一致的传播路径。

为了克服这些局限性，本文提出了一种基于因果增强双向图注意力网络（CE-Bi-GAT）的故障传播路径识别方法。所提框架由三个部分组成：基于PATE的因果图构建、双向图注意力学习和联合路径回溯。本文的主要贡献总结如下：

- 我们提出了一种基于PATE的因果图构建方法，集成了k近邻候选筛选、条件传递熵估计和k-PHop路径感知聚合，以构建有向因果图并消除冗余候选边。
- 我们开发了一个双向图注意力网络（Bi-GAT）用于动态故障传播建模，其中前向分支建模下游传播，反向分支通过反向注意力重建可解释的症状到根源传播路径。
- 我们在田纳西州Eastman过程和两个合成氨案例研究中进行了全面的实验，包括因果图验证、与传统和最新图注意力方法的比较、消融研究、计算分析、参数敏感性评估、传播路径可视化和跨过程泛化验证。

本文其余部分组织如下：第2节回顾相关工作。第3节介绍所提的CE-Bi-GAT方法。第4节通过案例研究和实验分析评估所提方法。第5节讨论了我们工作的优势以及局限性，并讨论了未来工作。第6节总结全文。

## 相关工作片段：基于图模型和因果推理的方法

基于图模型的故障追踪方法将工业系统表示为图结构，通过分析节点间的传递关系来识别传播路径（Han等，2021；Sakthivel和Madhubala，2024）。Li H.等（2024）对核心模块之间的传递关系进行了建模以推断故障传播方向。尽管这些方法具有良好的可解释性，但它们通常依赖于先验知识或预定义的系统拓扑，限制了其捕捉动态能力的局限……

## 方法

本节介绍所提的CE-Bi-GAT框架，用于故障传播路径识别。给定一个监控窗口（$X_t$），首先根据异常变量及其异常幅度和下游因果影响自动识别症状终端节点（$S_t$）。然后，在所提PATE因果图上使用提出的反向注意力机制进行反向追踪，迭代恢复指向根本原因的故障传播路径并估计其对应路径。

## 实验设置

采用田纳西州Eastman过程作为实验数据集。该过程模拟了一个化学生产过程，包括五个主要单元：进料、反应器、分离器、汽提塔和压缩机。四种反应物（A、B、C和D）被输入系统以生产最终产品（G和H）。

图4展示了田纳西州Eastman过程的物理结构。在本研究中，监控变量集定义为$V = \{v_1, v_2, ..., v_N\}$。每个节点$v_i$代表一个测量或操纵的过程变量。

## 讨论

实验结果表明，CE-Bi-GAT通过有向因果图构建、双向图注意力学习和反向路径解码提高了故障传播路径识别能力。PATE图提供了稀疏的因果先验，而反向注意力分支将症状到根源的追踪建模为逐步的前驱选择过程。田纳西州Eastman过程和合成氨案例的结果表明，所提框架生成了紧凑且……

## 结论

本文提出了CE-Bi-GAT，一种用于复杂工业过程中故障传播路径识别的因果增强双向图注意力网络。故障路径识别被建模为从自动选择的症状终端节点到上游根本变量的反向追踪任务。开发了一种PATE方法，通过集成k近邻候选筛选、条件传递熵估计和k-PHop路径感知聚合来构建有向加权因果图。基于……

## CRediT作者贡献声明

- 钱晓怡：撰写——审阅与编辑。
- 斯大为：撰写——原稿。
- 王立新：方法论。
- 赵懿：监督指导。
- 李德胜：调查研究。

## 利益冲突声明

作者声明不存在已知的可能影响本文报告工作的竞争性经济利益或个人关系。

---

钱晓怡 | 斯大为 | 王立新 | 赵懿 | 李德胜

辽宁电力网节能与控制重点实验室，沈阳工程学院，沈阳，110136，中国