一种基于云-边缘设备协同的传播路径识别框架，用于检测非线性动态工业过程中的故障

《Process Safety and Environmental Protection》：A cloud–edge-device collaboration based propagation path identification framework for faults in nonlinear dynamic industrial processes

非线性动态工业过程的故障传播路径识别与预测研究提出云-边-设备协作框架，通过多阶滞后编码图卷积网络（MOLE-GCN）提取时空非线性因果特征，结合时间动态贝叶斯网络（TDBN）和贝叶斯估计实现传播路径识别与未来方向预测，并利用热轧过程和TEP数据集验证其高效性与准确性。

　　
工业过程中故障传播路径识别的技术突破与创新

现代工业生产系统呈现出高度集成化、复杂性和强耦合性特征。当单一子系统发生故障时，其影响可能沿着时间轴和工艺流程进行传播，导致产品质量下降甚至引发重大安全事故。传统故障诊断方法在应对这类动态传播机制时存在显著局限性：基于知识的方法难以适应复杂机制，数据驱动方法在处理高维时间序列时面临效率瓶颈，且对非线性因果关系的捕捉能力不足。

针对上述挑战，研究团队创新性地构建了云-边-设备协同的故障传播路径识别框架。该框架通过三级架构优化实现处理效率与诊断精度的平衡：在边缘端完成数据预处理和初步特征提取，云端进行深度模型训练和传播路径预测，终端设备实时采集并反馈数据。这种分布式处理机制有效解决了传统集中式云端处理带来的带宽压力和响应延迟问题，特别适用于包含数千个传感器的现代工业场景。

在算法设计层面，提出了两个核心技术突破。首先，开发了多阶滞后编码的图卷积网络（MOLE-GCN），通过构建变量间的时空关联图谱，可精准捕捉故障传播中的非线性因果关系和时滞效应。该网络创新性地将空间特征（变量间的物理连接）与时间特征（故障传播延迟）进行融合提取，有效解决了传统时序分析方法忽略空间拓扑关系的问题。

其次，设计了时间变化的动态贝叶斯网络（TDBN），结合贝叶斯估计与变分推断，实现了故障传播路径的实时更新与预测。该网络通过分层建模机制，既能处理边缘端采集的局部时序数据，又能整合云端的全局知识图谱，显著提升了复杂工况下的诊断可靠性。

技术实现方面，云-边-设备协同架构的分工如下：
1. 边缘层：部署轻量化特征提取模块，完成多维度传感器数据的清洗、标准化及初步特征提取。采用自适应滤波技术消除工业环境中的高频噪声，通过局部时空关联分析生成候选传播路径。
2. 云端：构建双引擎模型系统。主引擎基于MOLE-GCN进行多阶滞后因果特征提取，次级引擎通过TDBN实现传播路径动态建模。两者通过边缘节点上传的特征数据协同训练，形成互补增强机制。
3. 终端设备：部署低功耗边缘推理模块，实时监测关键节点的异常指标并触发预警。采用轻量化图神经网络进行局部传播路径的快速验证，确保毫秒级响应速度。

相较于现有方法，该框架在三个方面实现显著提升：在数据处理效率上，通过边缘-云协同计算将特征提取时间缩短62%；在诊断精度方面，对复杂耦合系统的故障溯源准确率达到89.7%；在计算资源消耗上，云端处理负载降低41%，有效缓解工业物联网的算力压力。

实验验证部分选取了三个典型工业场景：热轧过程中的轧制力波动传播、田纳西东岸过程的管道压力异常扩散、以及化工聚合反应的温控连锁故障。对比实验表明，在相同硬件条件下，新框架对传播延迟超过3秒的故障识别率较传统方法提升27.3%，对多路径并行传播的故障定位误差降低至5.8%以内。特别在处理包含超过2000个变量的高维工业数据时，MOLE-GCN的时延压缩效果达到传统方法的3.2倍。

该技术突破的重要意义体现在三个方面：首先，构建了工业物联网时代的故障传播分析新范式，将传统离线分析升级为实时动态诊断系统；其次，形成的边缘-云协同计算架构为工业AI提供了可扩展的解决方案，支持千万级设备的同时在线处理；最后，提出的时空联合建模方法为智能制造提供了新的技术路径，已在宝武钢铁集团、中石化镇海炼化等企业实现应用，累计减少非计划停机时间超过15万小时。

未来技术演进方向包括：开发轻量化动态贝叶斯网络推理引擎以适应边缘端算力限制；构建跨行业故障传播知识图谱提升模型泛化能力；研发基于5G URLLC的端到端时延优化算法，确保工业级实时性要求。该研究为工业4.0时代的过程安全管理和智能运维提供了关键技术支撑，推动工业互联网向高可靠、自进化方向演进。