基于时间序列的因果推断及其在故障溯源中的应用

Aiming at the characteristics of large-scale complex and dynamic systems, we build causal models based on multivariate time series analysis, to construct a two-level strategy for root cause analysis by combining topology search and causal inference: in the lower level, causal topology is captured by a class of prediction improvement analysis methods based on multivariate time series analysis, and in the upper level, event and alarm information as well as experiment design and knowledge is introduced for causal inference. We expect to establish a systematic methodology framework for capturing causal topology between variables by combining time series analysis and process connectivity knowledge, propose causal inference methods suitable for dynamic system analysis, in particular causal inference methods under the circumstance of small sample or no sample of abnormal data, and construct a two-level strategy for root cause analysis by combining topology search and causal inference, which can be used for fault localization of large-scale complex and dynamic systems. The proposed methods will be tested with case studies in nulear power plants, refineries and information systems for network services. The constructed framework of models and inference can realize automatic root cause inference and root cause localization under abnormal situations, to improve the intelligence level of real-time monitoring of the sytem to assure its safe and steady operation.

本项目针对大规模复杂动态系统的特点，利用多元时间序列分析方法进行因果关系建模，构建拓扑搜索和因果推断相结合的溯源诊断双层策略，在下层通过多元时间序列分析的预测提升类分析方法实现因果拓扑获取，在上层结合事件和报警信息以及实验设计和知识引入完成因果推断。预期可形成融合时间序列分析和过程连接性知识的变量间因果拓扑获取的系统化方法体系；提出适用于动态系统分析的因果推断方法，特别是异常数据小样本或无样本条件下的因果推断方法；建立拓扑搜索和因果推断相结合的溯源诊断双层策略，用于大规模复杂动态系统的故障定位。将所研究的方法在核电厂、炼油厂和网络服务的信息系统上进行应用验证和案例分析。所建立的模型和推理框架可在异常状况发生时实现自动的溯源推理，锁定故障源，以提高系统实时监控的智能水平，保证系统的安全稳定运行。

本项目针对大规模复杂动态系统的特点，利用多元时间序列分析方法进行因果关系提取，进而改进软测量、故障检测与诊断、报警管理等方法，所建立的模型和推理方法可在异常状况发生时实现自动的溯源推理，锁定故障源，以提高系统实时监控的智能水平，保证系统的安全稳定运行。第一，针对因果关系提取及其在故障溯源中的应用，为了解决传递熵方法的高计算复杂度问题，提出了一种基于传递熵和信息粒化的因果推理改进方法，改进传递熵的计算框架；提出了基于信息粒化的传递熵和基于信息粒化的有向传递熵来推断因果关系和直接因果关系，并设计了一种基于OPTICS聚类的概率密度估计器，用于基于信息粒来估计联合/条件概率。第二，针对软测量建模与溯源诊断等需求，为了提升软测量模型预测准确度，利用时间序列因果分析方法提取动态潜特征与质量相关变量之间的因果关系，结合稳定学习方法的优势，构建考虑了因果特征的稳定软测量框架；基于变量分组思想改进故障溯源的贡献图方法，提出了一种基于组Lasso惩罚的故障识别策略，利用变量间的组信息进行分层故障诊断。第三，针对系统的时序动态特性，研究基于神经网络的多时间尺度动态特征提取和故障诊断方法，综合运用卷积神经网络、时间自注意力机制、长短期记忆等时间序列预测模型，并融合过程机理，实现通过自学习而能力提升的动态软测量和故障诊断方法。第四，针对核电站仪控系统、炼油厂生产过程、通信网络系统、卫星星座系统等对象的特点和需求，应用时间序列分析、因果推断等方法，提高异常检测、故障诊断、报警管理的效率，构建自动化、智能化故障溯源的方法框架。本项目研究成果突破了原有方法体系的难点，提升了因果推断理念的可行性，具有明显的应用推广价值，针对各类大规模复杂系统的运行管理都有巨大的指导意义，包括流程工业监控、卫星星座管控等各类场景。