引用本文

王建文, 褚菲, 彭晨, 曾国强, 王福利. 基于跨时空稳定因果动态贝叶斯网络的工业过程安全控制. 自动化学报, 2025, 51(9): 2058−2071 doi: 10.16383/j.aas.c250108

Wang Jian-Wen, Chu Fei, Peng Chen, Zeng Guo-Qiang, Wang Fu-Li. Industrial process safety control based on spatio-temporal stable causal dynamic Bayesian network. Acta Automatica Sinica, 2025, 51(9): 2058−2071 doi: 10.16383/j.aas.c250108

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250108

关键词

时空因果关系挖掘，异常工况定位，安全控制，虚假因果关系，稳定学习，动态贝叶斯网络

摘要

因果关系挖掘对工业过程异常工况定位和控制方案推理至关重要. 然而, 传统的因果关系挖掘方法缺乏对时空动态变化的综合考虑, 难以有效消除虚假因果关系. 针对上述问题, 提出一种基于跨时空稳定因果动态贝叶斯网络的工业过程安全控制方法. 该方法利用稳定学习挖掘并优化不同时空数据分布下的因果一致性特征, 确保所挖掘的因果关系在不同时空单元中具有稳定性. 在此基础上, 利用动态贝叶斯网络引入滞后节点, 捕捉时序数据中的滞后依赖关系, 刻画因果关系的时空演化特性并利用信息熵建立因果关系筛选机制. 此外, 采用基于协变量平衡的样本重加权技术, 通过调整样本权重, 使模型能够更准确地反映理想情况下的因果特性. 最后, 选取12种典型工况案例验证了方法的有效性.

文章导读

随着新一代信息技术与工业生产的深度融合, 现代工业过程正朝着全面感知、智能决策和协同控制的闭环智能化方向快速发展[1]. 然而, 由于工业生产过程中物料属性动态变化、环境干扰因素多、控制变量维度高等复杂特性, 导致工业过程异常工况频发, 严重制约工业生产的安全稳定运行[2]. 异常工况不仅会导致产品质量下降和生产效率降低, 还可能引发重大安全事故, 造成严重的经济损失和人员伤亡[3−4]. 因此, 实现异常工况的精准识别与有效控制, 保障工业过程安全稳定运行, 成为工业智能化转型中亟待解决的关键问题. 其中, 工业过程因果关系的挖掘, 对于异常工况的定位以及控制方案的推理起着至关重要的作用.

目前, 针对工业过程安全运行控制, 研究人员主要采用以下方法框架: 首先进行异常工况感知检测; 其次利用算法、控制理论进行智能决策分析; 最后制定并实施控制策略消除异常. 针对工业过程安全运行控制问题, 很少有研究者将因果关系挖掘考虑其中. 最新的研究当中, 因果关系挖掘技术主要应用在过程监测、故障诊断、软测量中. 文献[5]针对多单元过程监测问题, 建立基于概率密度估计的多变量因果模型来识别单个子系统中过程变量的定量关联, 提出一种基于多变量统计分析和因果图形推理的全厂监测和诊断框架. 文献[6]针对现代工业过程中广泛存在的多类型和多滞后特性, 提出一种稀疏因果残差神经网络的因果分析模型, 并将其应用于根本原因诊断. 文献[7]针对现有的因果关系启发方法忽略时间建模和领域知识集成的问题, 提出一种基于领域知识先验的贝叶斯因果结构推理在稳定可解释软测量中的应用, 它利用基于贝叶斯的因果结构推理, 并结合领域知识作为先验知识来增强软测量的性能稳定性. 文献[8]针对软测量应用中传统的机器学习方法通常会假设训练数据和测试数据具有相同的概率分布的问题, 提出一种基于因果关系分析的稳定软传感器建模方法. 文献[9]针对大范围工业过程故障传播触发的间接因果关系可能被忽略的问题, 提出一种具有多级预测关系聚合的因果相似性学习方法. 文献[10]为探索不同变量之间的因果关系, 提出一种具有内在因果关系分析的并行质量和过程监测方法, 使用转移熵探索不同变量之间的因果关系. 文献[11]针对传统因果挖掘方法在复杂工业过程中表现不佳的问题, 提出一个基于正则化和部分交叉映射的根本原因诊断框架, 用于高效的直接因果推理和故障传播路径跟踪. 文献[12]针对因果发现中的虚假因果关系, 提出一种时空因果关系建模方法. 构建用于时空过程建模的图注意力门循环单元, 能够捕捉工业数据在时空维度上的同步演变. 尽管上述方法在因果关系挖掘方面取得显著进展, 但面对现代工业过程动态时空环境, 因果推理能力仍有待进一步提升.

贝叶斯网络(Bayesian network, BN)具有强大的因果关系挖掘能力, 即使在数据不完整或存在噪声的情况下, 也能够利用已知信息进行有效的推理. 文献[13]提出一种基于BN参数迁移学习的电熔镁炉异常工况识别方法. 该方法针对电熔镁炉熔炼过程的异常工况识别建模, 解决源域BN与目标域BN在结构不一致情况下的参数迁移学习问题. 但是, 忽略了电熔镁在熔炼过程中的动态变化. 文献[14]针对选煤过程中因原煤属性变化、关键变量参数波动等导致的异常工况问题, 提出一种基于分布式混合贝叶斯网络的煤泥浮选过程安全运行与产品质量一体化控制方法. 文献[15]面对无人水下航行器很难及时、独立地做出正确决策的问题, 使用BN表示不确定事件, 提出一种不确定事件下人机协同无人水下航行器威胁评估策略方法. 文献[16]针对异常数据信息有限情况下安全运行控制建模问题, 提出一种基于BN迁移学习的金湿法冶金增稠过程安全控制建模方法, 当异常的数据信息不足时, 将安全控制建模问题转化为BN迁移学习问题. 然而, 单一的静态BN建模解决不确定性问题不可避免地会引入虚假因果边, 降低决策率. 文献[17]针对工业过程软测量不确定性问题, 提出一种基于BN的概率软测量动态变结构学习与迁移建模方法, 利用动态贝叶斯网络(Dynamic Bayesian network, DBN)处理工业过程动态特征. 但是, 齐次DBN只能建模当前时间片和前一时间片的信息, 模型参数不随时间变化, 不能很好地拟合具有动态性的工业过程. 文献[18]针对现有的故障检测和诊断方案主要关注预测的准确性而忽略被检测故障解释性的问题, 提出一种用于故障检测和诊断的可解释无监督贝叶斯网络模型. 文献[19]针对标记数据的稀缺性以及各种子结构之间错综复杂的交互的限制, 对复杂设备内的故障隔离带来的挑战性, 提出一种基于图嵌入的BN方法来定位故障组件. 文献[20]针对控制回路和过程变量的耦合引起化学过程中出现循环回路, 现有的概率模型没有考虑循环回路的存在, 导致故障根因诊断不准确的问题, 提出一种改进的BN, 用于处理化学加工行业过程故障的根本原因诊断中的循环回路. 上述BN相关方法在工业过程安全控制中已取得一些实际应用, 但是, 现有方法对知识的依赖较强, 没有考虑过程时空动态变化, 且在BN推理过程中易产生虚假因果关系.

针对安全控制方案推理中存在虚假因果关系的问题, 本文首次将稳定学习与虚假因果干扰抑制方法应用于工业过程安全控制领域, 提出一种基于跨时空稳定因果动态贝叶斯网络的工业过程安全控制方法. 与现有文献中的方法相比, 本文所提方法不仅能有效地建模动态工业过程, 还能利用时空信息准确地揭示子单元之间及子单元内因果关系. 首先, 利用工业过程中时间特征和空间特征构建跨时空因果动态贝叶斯网络模型, 采用插值方式融合长短期记忆(Long short-term memory, LSTM)算法与厂级流程物理单元分布知识提取出的时间和空间特征[21]. 在子单元特征提取过程中, 将每个工业单元内的局部信息作为一个整体考虑, 不仅关注单个单元内的局部相关性, 同时提取不同单元之间的空间特征, 以更好地捕捉操作单元之间的空间相关性. 然而, 在实验中发现, 随着数据分布的变化, 某些特征与质量变量之间的相关性并非真正的因果关系. 这种虚假相关性导致推理出的决策方案准确率不高, 无法有效消除异常工况, 进而影响模型在实际应用中的泛化能力. 因此, 本文利用稳定学习(Stable learning, SL)与DBN, 旨在消除变量间因果虚假关系. 通过最小化领域间分布差异, 提取对时空分布变化不敏感的因果特征. 寻找不同数据分布下保持因果一致的特征, 并优化特征表示, 确保所挖掘的因果关系在不同时空单元中具有稳定性. 通过DBN捕捉时间演化中的潜在因果关系, 利用信息熵建立因果关系筛选机制, 计算因果关系的稳定性指标, 筛选出在各个时空单元中保持稳定的因果关系. 并采用基于协变量平衡的样本重加权技术减小混杂因素和选择偏差对模型的影响. 通过调整样本权重, 使得样本接近理想情况下的分布, 保障模型更好地反映真实的因果关系. 最后, 将异常工况数据作为证据输入到稳定因果DBN模型中, 推理出能消除异常工况的决策方案, 并将决策方案转换为鲁棒的控制操作. 实验结果表明, 本文提出的方法可以有效地解决虚假因果问题, 消除过程突发异常工况, 为保证选煤过程的安全稳定运行提供良好的解决方案.

本文的创新点及贡献主要包含以下3个方面: 1)针对厂级工业过程异常工况问题, 提出一种基于跨时空稳定因果动态贝叶斯网络的工业过程安全控制方法; 2)针对虚假因果关系, 本文首次将SL应用于工业过程安全控制领域, 并设计一种虚假因果干扰抑制方法; 3)采用基于协变量平衡的样本重加权技术减小混杂因素和选择偏差对因果挖掘模型的影响.

图1  因果关系来源

图2  跨时空稳定因果动态贝叶斯网络安全控制模型流程图

图3  重介质选煤单元工艺图

传统的因果关系挖掘方法主要聚焦于单一时间维度的因果建模, 难以有效识别和消除时空层面虚假因果关系. 因此, 本文提出一种基于跨时空稳定因果动态贝叶斯网络的工业过程安全控制方法. 该方法通过构建融合SL和DBN的跨时空稳定因果DBN模型, 有效解决了决策方案推理中虚假因果关系的问题. 通过挖掘不同数据分布下保持因果一致的特征, 利用DBN捕捉时间演化中的因果关系, 并筛选在所有单元中均保持稳定的因果关系. 模型引入滞后节点学习出不同时段下的DBN结构, 利用信息熵建立因果关系筛选机制, 计算因果关系的稳定性指标, 筛选出在各个时空单元中保持稳定的因果关系. 此外, 采用基于协变量平衡的样本重加权技术减小混杂因素和选择偏差对模型的影响. 通过调整样本权重, 使模型更准确地反映理想情况下的因果特性. 本文方法在选煤过程的12种典型工况案例中得到了验证, 并与传统的格兰杰因果分析方法进行对比. 实验结果表明, 本文提出的方法在解决工业过程安全控制中虚假因果关系问题和消除过程突发异常工况方面具有显著效果. 未来, 本文团队将研究全厂工业过程因果协同, 更全面地捕捉全厂工业过程中的潜在因果关系, 为安全控制提供更丰富的决策依据.

作者简介

王建文

中国矿业大学信息与控制工程学院博士研究生. 2021年获得齐鲁工业大学(山东省科学院)硕士学位. 主要研究方向为复杂工业过程建模, 安全运行控制. E-mail: tb22060017a41@cumt.edu.cn

褚菲

中国矿业大学信息与控制工程学院教授. 2014年获得东北大学控制理论与控制工程专业博士学位. 主要研究方向为复杂工业过程智能建模、控制与优化, 运行状态评价和机器学习. 本文通信作者. E-mail: chufei@cumt.edu.cn

彭晨

上海大学机电工程与自动化学院教授. 2002年获得中国矿业大学控制理论与控制工程专业博士学位. 主要研究方向为网络控制系统, 分布式控制系统, 智能电网和智能控制系统. E-mail: c.peng@i.shu.edu.cn

曾国强

温州大学电气与电子工程学院教授. 2011年获得浙江大学博士学位. 主要研究方向为计算智能与先进控制, 人工智能安全. E-mail: zenggq@wzu.edu.cn

王福利

东北大学信息科学与工程学院教授. 主要研究方向为复杂工业过程智能控制, 故障诊断和运行状态评价. E-mail: wangfuli@ise.neu.edu.cn