基于因果图的故障诊断研究综述

基于因果图的故障诊断研究综述一、因果图故障诊断的核心理论基础因果图作为概率图模型的重要分支，其核心是通过有向无环图（DAG）刻画变量间的因果依赖关系，结合条件概率表量化因果作用强度，为复杂系统故障传播路径的建模与推理提供了可解释的数学框架。与传统基于规则、神经网络的黑盒诊断方法不同，因果图的结构天然对应故障的传播逻辑：根节点对应系统初始故障源（如元器件失效、参数漂移），中间节点对应故障传播过程中的中间现象（如温度异常、压力波动），叶节点对应可观测的故障征兆（如传感器报警、系统性能下降），边的方向代表故障从原因到结果的传递方向，边的权重代表故障传递的概率。早期因果图故障诊断的理论框架基于贝叶斯网络发展而来，但贝叶斯网络要求节点条件独立的假设在实际工业系统中往往难以满足——工业场景中故障传播存在多因耦合、反馈回路、动态演化等特性，例如化工反应釜的温度故障可能同时由加热丝失效、冷却管道堵塞、进料组分异常三个独立原因共同引发，且温度升高后会进一步触发压力升高，压力升高又会反过来加剧温度上升，形成动态反馈环。针对这一局限，学者们提出了扩展因果图模型：动态因果图（DCD）引入时间维度参数，允许节点状态随时间演化，可刻画故障的时序传播特性；模糊因果图将模糊集理论与因果图结合，用模糊概率替代精确条件概率，解决了工业场景中故障概率数据不完整、不确定的问题；加权因果图根据故障传播的实际影响程度为边赋予动态权重，适配不同工况下故障传播强度的变化。因果图故障诊断的核心推理过程可分为三个步骤：首先是故障因果结构学习，即通过专家知识或数据驱动方法构建故障变量间的因果拓扑关系，早期结构学习主要依赖领域专家手动构建，近年来随着工业大数据的普及，基于约束（如PC算法）、基于得分（如BIC评分）的因果结构自动学习方法逐渐成为研究热点，可有效降低专家依赖；其次是参数学习，即基于历史故障数据估计各节点的条件概率分布，对于小样本场景，迁移学习、半监督学习方法被广泛用于参数估计，解决故障样本不足的问题；最后是故障推理，即给定观测到的故障征兆，反推最可能的根故障源，常用的推理方法包括精确推理（如联结树算法、变量消元法）和近似推理（如蒙特卡洛采样、变分推断），针对大规模复杂系统的实时诊断需求，学者们还提出了多种启发式推理加速算法，将推理复杂度从指数级降低到多项式级。二、因果图故障诊断的技术演进路径因果图故障诊断的发展历程可分为三个阶段，每个阶段的技术特性与工业需求的变化高度契合。第一代因果图故障诊断方法诞生于20世纪90年代，主要面向简单机电系统的离线诊断，核心特征是静态、小范围、专家依赖。这一阶段的因果图结构完全由领域专家手工绘制，节点数量通常不超过50个，仅能覆盖系统的核心故障模式，推理过程采用离线精确推理，诊断响应时间通常在分钟级。典型应用场景包括小型电机的轴承故障诊断、低压配电系统的短路故障定位等，这类场景故障模式固定、传播路径简单，专家知识足够覆盖所有可能的故障情况，因果图方法相较于传统的故障树分析（FTA）、失效模式与影响分析（FMEA），优势在于能够量化故障发生的概率，给出多个可能故障源的排序，减少运维人员的排查时间。2010年到2020年是第二代因果图故障诊断技术的发展期，核心特征是动态、大规模、数据辅助。随着工业系统复杂度的提升，电力、化工、航空航天等领域的系统节点数量动辄上百甚至上千，手工构建因果图的成本极高且容易出现疏漏，同时工业系统的动态特性要求诊断方法能够适配工况变化、捕捉故障的时序演化规律。这一阶段的技术突破主要体现在三个方面：一是动态因果图的成熟应用，通过引入时间滑动窗口，实时更新节点状态与因果边权重，能够捕捉间歇性故障、渐进性故障的演化过程，例如航空发动机的气路故障诊断中，动态因果图可以基于不同飞行阶段的传感器数据，跟踪故障从轻微漂移到完全失效的全过程；二是半自动化结构学习方法的普及，通过专家知识初始化因果图骨架，再基于历史故障数据对结构进行修正与补充，将结构构建的效率提升了3~5倍，节点覆盖范围提升了一个数量级；三是近似推理算法的优化，针对大规模因果图的实时诊断需求，基于消息传递的启发式推理算法将单次诊断的响应时间压缩到秒级，满足了工业在线监控的实时性要求。这一阶段的典型应用包括大型电网的输电线路故障定位、石化炼化装置的过程故障诊断等，故障诊断准确率相较于第一代方法提升了20%以上，误报率降低了40%。2020年至今，第三代因果图故障诊断技术进入快速发展期，核心特征是跨域、小样本、可解释、多模态融合。随着工业互联网的普及，跨设备、跨场景的故障诊断需求日益增多，同时新兴领域如新能源汽车、工业机器人的故障样本稀缺，传统数据驱动的诊断方法泛化能力不足，且深度学习黑盒模型的诊断结果缺乏可解释性，难以满足高安全领域的运维决策要求。这一阶段的技术创新方向包括：一是因果迁移学习，将成熟场景的因果图结构与参数迁移到相似的小样本场景，通过域适应方法修正场景差异带来的模型偏差，在新能源汽车电池故障诊断场景中，仅需10%的目标场景故障样本即可达到与全样本训练相当的诊断精度；二是因果图与大模型的融合，利用大语言模型的领域知识理解能力自动抽取故障因果关系，辅助因果图的快速构建，同时因果图的可解释性可以弥补大模型的幻觉问题，提升诊断结果的可信度；三是多模态因果图，将图像、音频、振动等多模态传感器数据作为观测节点纳入因果图框架，统一刻画不同模态数据与故障源的因果关系，例如工业机器人的故障诊断中，融合振动信号、电流信号、视觉图像的多模态因果图，能够同时识别机械故障、电气故障与装配偏差，诊断覆盖率提升了35%。三、不同工业场景下的应用实践差异因果图故障诊断的实际应用效果与场景特性高度相关，不同领域的系统特性、数据条件、可靠性要求差异，决定了因果图模型的设计侧重点与技术选型方向。电力系统是因果图故障诊断应用最成熟的领域之一，其核心特性是故障传播速度快、故障影响范围广、对诊断实时性与准确率要求极高。针对电力系统的拓扑结构动态变化（如开关跳闸、线路重构）的特点，电力领域的因果图模型普遍采用自适应动态因果图，能够根据电网实时拓扑自动调整因果图结构，当故障发生时，基于断路器动作信息、保护装置告警信息、量测数据三类观测节点，可在数十毫秒内定位故障区段，定位准确率可达99.5%以上。在特高压直流输电系统的故障诊断中，因果图方法能够有效区分换流阀的换相失败、触发脉冲异常、冷却系统故障等相似故障模式，误判率仅为传统神经网络方法的1/6。化工过程系统的故障诊断面临的核心挑战是故障耦合性强、过程变量多、故障后果严重。化工生产过程中数百个工艺参数相互影响，单个参数异常可能引发连锁反应，且故障往往伴随有毒有害介质泄漏、爆炸等风险，对诊断的可解释性要求极高。因此化工领域的因果图模型普遍融合**符号有向图（SDG）**与模糊因果图，通过SDG刻画变量间的定性因果关系，结合模糊概率量化影响程度，推理过程不仅能够给出最可能的故障源，还能输出完整的故障传播路径，帮助运维人员理解故障演化过程，制定针对性的处置措施。在某大型乙烯裂解装置的应用中，因果图故障诊断系统能够提前15分钟预测到裂解炉管的结焦故障，为装置的平稳运行减少了数千万元的经济损失。航空航天领域的故障诊断核心难点是故障样本稀缺、系统工况复杂、对诊断的可靠性要求接近零容错。航空发动机、航天器控制系统的故障模拟成本极高，实际运行中故障发生概率极低，可用的故障样本数量非常有限，同时飞行过程中工况随高度、速度、载荷不断变化，故障传播特性动态调整。针对这一场景，航空航天领域的因果图模型普遍采用小样本因果迁移学习与概率边界估计技术，基于地面模拟试验的故障数据预训练因果图，再通过少量空中飞行的故障数据进行微调，推理过程中不仅输出故障发生的点概率，还给出概率的置信区间，当诊断结果置信度低于阈值时自动触发人工复核，在某型商用航空发动机的实际应用中，因果图诊断系统的气路故障检出率达到98%，漏报率为0，完全满足民航适航要求。高端装备制造领域的故障诊断需求侧重设备全生命周期的故障预警与根因分析，涵盖数控机床、工业机器人、半导体制造设备等场景。这类场景的故障模式与设备的运行时长、加工载荷、维护历史高度相关，故障诊断不仅要定位当前故障，还要分析故障产生的根本原因（如维护不及时、加工参数不合理、零部件质量缺陷），指导后续的运维与生产优化。因此该领域的因果图模型会将运行维护数据、生产工艺数据纳入因果节点，构建覆盖“零部件-设备-工艺”全链路的因果网络，例如在某高端数控机床的故障诊断中，因果图模型不仅能够定位主轴振动异常的直接原因是轴承磨损，还能进一步追溯到轴承磨损的根本原因是加工参数设置不合理导致的载荷过载，帮助工厂优化了加工工艺参数，同类故障的复发率降低了60%。四、当前研究瓶颈与未来发展方向尽管因果图故障诊断已经在多个领域取得了显著的应用成效，但面对日益复杂的工业系统需求，当前技术仍然存在四个核心瓶颈有待突破。第一个瓶颈是高维耦合系统的因果结构自动学习精度不足。对于包含上万个变量的复杂工业系统，现有的因果结构学习算法要么复杂度太高难以收敛，要么学习得到的结构存在大量冗余边与错误边，尤其当变量间存在强耦合、隐变量干扰时，结构学习的准确率通常低于70%，仍然需要大量的专家人工校验，成本极高。第二个瓶颈是开放动态场景下的因果模型泛化能力不足。当前的因果图模型大多针对固定工况、固定系统结构设计，当系统进行技术改造、工况发生大幅变化或者引入新的设备时，原有因果图的适配性会快速下降，需要重新进行结构与参数学习，难以适应灵活多变的生产场景。第三个瓶颈是多模态数据的因果融合机制不完善。当前的因果图模型对数值型传感器数据的处理比较成熟，但对文本型运维记录、图像型缺陷检测结果、音频型故障特征等非结构化数据的因果建模能力不足，多模态数据的因果关联关系难以有效刻画，无法充分利用多源异构数据提升诊断精度。第四个瓶颈是因果诊断与决策的协同性不足。当前的因果图故障诊断大多停留在故障定位层面，诊断结果与后续的故障处置决策脱节，无法基于故障的严重程度、传播风险自动生成最优的处置方案，难以支撑运维决策的全流程自动化。针对上述瓶颈，未来因果图故障诊断的研究方向将集中在四个方面：一是大模型辅助的因果结构自动学习，利用大语言模型的领域知识抽取与推理能力，从设备手册、运维记录、故障案例等文本数据中自动抽取因果关系，与数据驱动的结构学习方法融合，将高维系统的结构学习准确率提升到90%以上，大幅降低专家依赖。二是**lifelong因果学习框架**，支持因果模型的终身持续学习，当系统结构、工况发生变化时，仅需对因果图进行局部增量更新，无需重新训练，大幅提升模型在动态场景下的泛化能力。三是多模态统一因果表征，构建统一的因果嵌入空间，将不同模态的观测数据映射到相同的因果表征空间，实现多模态数据的因果关联统一建模，充分挖掘多源数据的诊断价值。四是因果诊断-决策一体化框架，在因果图中引入决策节点与效用节点，将故障诊断结果与故障处置的成本、收益、风险直接关联，基于因果推理自动生成最优的故障处置策略，实现从故障检测、定位到处置的全流程闭环。从