基于因果关系与混杂因素分离的图表示学习方法在工业过程故障诊断中的应用

《Process Safety and Environmental Protection》：Graph representation learning with causal–confounding feature separation for fault diagnosis in industrial processes

　　

强赵|郝伟李|杜海阳|韩英华

摘要

现代工业过程的特点是多变量耦合性强且依赖结构复杂，故障相关特征常常与由变量耦合和统计相关性引入的混杂特征共存。这些混杂成分可能会影响分类模型表示主导故障模式的能力，从而在安全关键的工业环境中导致故障识别不够可靠。为了解决这个问题，本文提出了一种基于因果判别和混杂相关表示分离的图表示学习框架，用于工业过程中的故障分类。该方法在节点表示和时间依赖性维度上构建了一个双通道结构，以区分与主导故障模式相关的因果判别表示成分和由统计相关性引起的混杂相关表示成分。此外，在表示空间中引入了一种受后门调整启发的表示级不变性学习机制，其中同时应用了类内一致性和表示不变性约束，以鼓励分类表示在混杂相关成分变化时保持稳定。该机制降低了分类表示对混杂相关成分的敏感性，从而引导模型更多地关注与主导判别模式相关的特征。通过增强因果判别成分和混杂相关成分之间的区别，所提出的框架减少了模型对不稳定相关性诱导信息的依赖，从而提高了复杂工业过程中故障识别的可靠性。最后，在三相流设施（TFF）数据集和田纳西东曼（TE）数据集上的比较实验证明了所提出方法在故障分类任务中的有效性。