面向可解释实时过程监控的知识驱动因果神经模糊框架

《Journal of Industrial Information Integration》：A Knowledge-Informed Causal Neuro-Fuzzy Framework for Explainable and Real-Time Process Monitoring

　　

# 摘要

在全面自动化、密集传感网络和 cyber-physical 集成技术的推动下，工业5.0的快速转型显著增加了现代工业过程的结构性与动态复杂性。传统过程监控方法往往难以应对这种复杂性，尤其是在需要透明故障解释和因果可解释性的情况下。为克服这些局限，本文提出了一种知识引导的因果神经模糊（Knowledge-Informed Causal Neuro-Fuzzy，KI-CNF）框架，用于可解释的实时过程监控。该框架协同集成了动态内全局-局部保持投影（Dynamic inner Global-Local Preserving Projection，DiGLPP）以实现信息丰富的特征学习、自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System，ANFIS）以实现非线性故障检测与分类，以及因果符号有向图（Causal Signed Directed Graph，CSDG）以组织基于过程知识的符号有向依赖关系。该统一架构能够实现及时故障检测、系统性地识别影响变量与根相关变量，并以影响幅度、传播概率、遍历时间和统计边影响分数的形式定量追溯各工艺单元间合理的故障传播路径。KI-CNF框架的有效性通过与现有监控基准进行对比验证，包括基于小波的独立成分分析（Wavelet-based Principal Component Analysis，WT-PCA）和双注意力长短时记忆自编码器（Dual-Attention Long Short-Term Memory Autoencoder，DALSTM-AE）。在二元精馏塔系统和Tennessee Eastman过程（分别代表小规模和大规模工业基准）上进行了全面的案例研究。定量结果表明，KI-CNF在DCS基准上取得了99.63%的平均故障检测率（FDR）和0.25%的误报率（FAR），在TEP基准上取得了99.38%的平均FDR和0.40%的FAR，整体准确率分别为99.69%和99.49%。总体而言，KI-CNF框架提供了一种统一、可解释且知识引导的方法，弥合了先进机器学习技术与真实工业过程监控之间的鸿沟。

# 引言

工业5.0代表了一个新的工业发展阶段，在该阶段中人类智能被系统性地与智能自动化和数字技术相整合[1]。在工业4.0的基础上，该范式将重点转向智能自动化、数字连接、运营安全和产品质量提升[2,3]。工业5.0原则在现代过程中日益增加的整合表明监控方法正在向强调人类参与、适应性和系统韧性方面演进。然而，传统过程监控方法，特别是依赖独立机器学习模型的方法，在应对现代传感网络和计算基础设施产生的高维异构数据时面临显著局限[4,5]。这些方法往往缺乏透明度，使得过程行为解释、有意义运营洞察提取以及异常状况解释变得困难。因此，它们在可靠捕捉演变的过程模式、预判早期故障以及确保一致的诊断性能方面表现不佳，最终损害了监控可靠性和决策有效性。工业5.0范式强调了将因果知识和动态过程转换纳入智能监控框架的重要性[6,7]。通过将先进数据驱动模型与因果依赖推理相结合，下一代监控系统可以揭示潜在风险因素并提供可解释的过程行为洞察。这些能力对于提升运营安全、改善系统可靠性以及支持复杂工业环境中的知情决策至关重要。

先进过程监控策略通常分为两大类：知识驱动框架和数据驱动方法[3,8-11]。随着工业系统在规模和复杂性方面持续增长，这些类别之间的界限逐渐模糊，催生了混合与集成监控方法。在工业过程监控与故障诊断领域，通过多元统计分析、机器学习和深度学习已取得显著进展[12-17]。主成分分析（PCA）[18]、偏最小二乘法（PLS）[19]、独立成分分析（ICA）[20]、分布式典型相关分析（DCCA）[21]、子空间学习[22]、基于核的方法[23]和神经网络（NN）[24]等监控技术已展现出检测异常工况和分类已知故障模式的强大能力。尽管取得了这些进展，大多数现有方法侧重于检测性能，而将监控系统视为黑箱[25]。这限制了它们对故障机制进行物理解释、准确识别根本原因或表征扰动在互连工艺单元中传播的能力。在具有强变量耦合和复杂动态行为的大规模工业过程中，可解释性的缺乏严重阻碍了纯数据驱动监控解决方案的实际部署和可信度[2,26]。

尽管因果建模在过程监控和故障诊断中被越来越多地探索，但现有方法在诊断范围、建模假设和实际可解释性方面存在显著差异。经典符号有向图（SDG）和过程知识驱动方法提供了具有物理意义的故障传播结构，在可靠过程拓扑可用时有利于根本原因推理。然而，它们通常需要大量专家知识，当被监控系统包含许多强耦合变量时可能难以扩展。贝叶斯网络和概率图方法改善了不确定性表示并支持概率根本原因推断，但其性能强烈依赖于图构建质量、条件概率估计和先验过程知识。基于Granger因果关系和转移熵的方法可以从过程数据推断有向时序依赖关系，对识别传播倾向有用，但它们可能对非平稳性、模型阶数选择、噪声污染和隐藏混淆变量敏感。更近期的图神经网络和因果表示学习方法提供了更强的数据自适应表示能力，但其中许多仍然表现为部分黑箱模型，并不总是提供过程工程师可直接解释的符号化、可物理追溯的传播路径。表1给出了KI-CNF相对于现有因果和过程知识驱动监控方法的对比定位。

这些观察表明，现有因果监控方法在根本原因识别、基于图的诊断以及对变化的过程条件的鲁棒性方面取得了重要进展，但仍存在若干局限。首先，许多因果模型主要关注故障后解释，未与动态特征提取和故障分类紧密集成。其次，某些方法提供因果评分或图连通性，但未明确量化符号、概率、遍历时间和影响幅度等传播特征。第三，高度灵活的图学习和深度因果模型可改善预测性能，但其学习到的表示可能难以与过程知识和运营决策相联系。第四，过程知识驱动模型虽然可解释，但可能缺乏处理非线性、非平稳或分布式故障特征的自适应特征学习能力。选择WT-PCA和DALSTM-AE作为两个主要基准方法，是因为它们代表了互补的监控范式。WT-PCA[27]提供了一种代表性的多尺度统计监控方法，将时频分解与基于投影的过程监控相结合；而DALSTM-AE[28]代表了一种现代深度序列重建方法，能够学习非线性时序依赖关系。因此，将二者纳入使所提出的KI-CNF框架能够在一致的基准协议下与既有统计监控范式和当代深度学习范式进行比较评估。

基于现有过程监控和故障诊断研究中识别出的局限，本工作做出以下贡献：

1. **统一监控框架**：提出了一种知识引导的因果神经模糊（KI-CNF）框架，在单一架构中集成了动态特征学习、智能推理和因果建模，用于实时工业过程监控。
2. **动态内全局-局部特征表示**：采用动态内全局-局部保持投影来捕获复杂非平稳工况下的全厂行为与局部故障特征。
3. **可解释的故障检测与分类**：引入自适应神经模糊推理系统实现非线性故障检测与分类，同时保持可解释的基于规则的决策逻辑。
4. **基于有向依赖关系的故障传播解释**：构建了基于CSDG的传播解释模块，以追溯合理的故障传播路径并量化有向依赖模式，包括影响幅度、传播概率、遍历时间和统计边影响分数。
5. **基准验证与性能评估**：在基准工业过程上验证了所提出的框架，包括二元精馏塔系统（DCS）和Tennessee Eastman过程（TEP），展示了在所采用的固定基准协议下相比所选小波-PCA[42]和DALSTM-AE[43]基线的改进诊断性能。

所提出KI-CNF框架的关键创新在于从动态特征提取到非线性故障推理再到因果传播解释的诊断门控信息转移。具体而言，DiGLPP首先提取动态全局-局部特征并识别异常贡献模式；ANFIS随后将这些结构化特征转换为可解释的非线性故障决策；CSDG最终使用贡献排序的异常变量（而非完整原始变量集）构建符号因果图。该机制减少了不相关的因果连接，提高了诊断聚焦度，并在单一连贯框架内链接了故障检测、故障分类和故障传播解释。

本文其余部分结构如下。第2节讨论并总结了当前文献综述和本研究的研究定位。第3节介绍了本研究采用的理论基础和方法学组成部分，包括动态内全局-局部保持投影（DiGLPP）、自适应神经模糊推理系统（ANFIS）和因果符号有向图（CSDG）。第3节介绍了所提出的知识引导的因果神经模糊（KI-CNF）框架并描述了建模阶段。第4节描述了实验设计和使用二元精馏塔系统（DCS）和Tennessee Eastman过程（TEP）的实时实施标准。第5节报告并分析了实验结果以及全面的性能评估。第6节总结了研究并概述了主要发现。

# 章节片段

## 文献综述与研究定位

工业过程监控和故障诊断的近期进展产生了一系列方法论，涵盖多元统计分析、机器学习、深度学习和因果推断。这些方法在底层建模范式、诊断目标和可解释性水平方面存在显著差异。一些研究主要关注通过高级特征提取和数据融合技术提高故障检测准确率。相比之下，……

## 方法学

本节介绍了本研究用于开发所提出知识引导的因果神经模糊（KI-CNF）框架的方法学。它介绍了实施集成监控与诊断架构所需的主要组件，包括动态内全局-局部保持投影（DiGLPP）、自适应神经模糊推理系统（ANFIS）和因果符号有向图（CSDG）。在详细数学描述之前，为提供所提方法的清晰概览……

## 知识引导的因果神经模糊结构框架

所提出的知识引导的因果神经模糊（KI-CNF）框架被设计为用于可解释过程监控的分阶段诊断架构。如图1方法流程图中所述，该框架在统一的监控程序中链接了动态特征学习、神经模糊故障推理和因果传播解释。其结构不应被解释为独立模块的简单序列。相反，每个阶段提供诊断性的……

## 实验设计与基准案例研究

本节使用两个具有代表性的工业基准系统评估所提出的KI-CNF框架：二元精馏塔系统（DCS）和Tennessee Eastman过程（TEP）。选择这些基准是为了在不同工艺规模、非线性程度、变量耦合程度和故障传播复杂度的情况下检验所提框架的诊断性能。DCS基准代表了一个相对紧凑的过程，具有可解释的塔动力学特性，而……

## 结果与讨论

本节重点解读实验结果并比较两个基准系统间的诊断行为，强调检测性能、变量级响应和因果传播特征。通过框架检测异常、识别和分类故障、隔离受影响变量以及使用根本原因概率和完整……来支持诊断解释的能力，系统考察了框架的有效性。

## 结论

本文开发了一种知识引导的因果神经模糊（KI-CNF）框架，以满足现代工业5.0系统中对实时、可解释过程监控的实际需求——在这些系统中，非线性行为、强耦合和有限的透明度常常降低传统监控性能。所提出的架构统一了通过DiGLPP实现的动态特征学习、通过ANFIS实现的可解释神经模糊故障推理，以及通过……实现的基于有向依赖关系的传播解释。

# 生成式AI和AI辅助技术披露

在本工作准备过程中，作者使用了大语言模型来支持语言润色、结构编辑和解释性示意图的初步布局辅助。使用该工具后，作者根据需要审查、编辑、校正并验证了内容，并对稿件承担全部责任。AI辅助工具未被用于生成、修改或操纵原始实验数据、观测数据、基准结果或研究图像。

# CRediT作者贡献声明

Husnain Ali：撰写—初稿、可视化、软件、调查、形式分析、数据整理、概念化。
Rizwan Safdar：形式分析、数据整理、概念化。
Teh Sabariah Binti Abd Manan：调查、形式分析、数据整理。
Guangze Hu：可视化、形式分析。
Yuanqiang Zhou：资源、数据整理。
Xiangrui Zhang：形式分析、数据整理。
Zhifei Sun：数据整理、概念化。
Yuan Yao：方法论、概念化。

**利益冲突声明**
作者声明，他们没有已知的竞争性经济利益或个人关系可能会影响本文所报道的工作。

**致谢**
作者衷心感谢香港科技大学和化学与生物工程系在研究过程中提供的卓越研究环境和持续制度支持。本研究由香港研究资助局（RGC）第16203322号项目、国家自然科学基金委员会（NSFC）第62333010号资助项目，以及RGC与NSFC联合资助的协作项目提供资金支持。

Husnain Ali | Rizwan Safdar | Teh Sabariah Binti Abd Manan | Guangze Hu | Yuanqiang Zhou | Xiangrui Zhang | Zhifei Sun | Yuan Yao | Zhixing Cao | Jinfeng Liu | Furong Gao