让图神经网络学会读懂化工流程图：一种知识驱动的图自编码和注意力时空卷积的故障诊断方法（PyTorch）

化工过程故障诊断中有一个长期被忽视的问题传感器测点之间的物理连接关系能不能像人类看工艺流程图那样被模型用来理解故障的传播路径传统的深度学习方法将每个传感器变量看做独立的时序信号完全忽略了它们之间由管道、反应器、换热器等设备决定的空间拓扑结构。当某个故障发生时例如进料阀卡死影响会沿着工艺流程向下游传播——一个仅仅盯着单变量时间序列的模型很难推理出这种谁影响了谁的因果关系。而纯数据驱动的图神经网络虽然能学习节点间的隐式关系却往往需要大量标注数据才能收敛且学习到的边权缺乏物理可解释性——无法确认模型是否学到了真实的物料流向。提出方法试图将工艺知识与图深度学习融合预先构造一个基于工艺流程拓扑的知识图谱52个节点对应传感器/操作变量84条边对应物料或能量传递关系然后在这个物理骨骼上分别部署两个互补的图神经网络——一个无监督的图自编码器用于故障检测一个监督的注意力时空图卷积网络用于故障分类。01 问题动机时序模型的结构性盲区和纯GNN的不可解释化工过程安全运行依赖及时准确的故障诊断。TEP过程包含52个过程变量41个测量值11个操作变量它们通过反应器、冷凝器、气液分离器、压缩机等单元相互连接。当故障注入时——例如进料成分变化、冷凝器冷却水不足、压缩机效率下降——异常会沿着物料流和能量流逐级扩散。标准的LSTM或CNN模型将每个变量的时间序列独立处理然后在全连接层混合信息。这种晚融合策略的缺陷是模型必须从数据中自己学习变量间的关系样本效率低且对训练数据中未出现过的故障传播路径毫无泛化能力。图卷积网络天然适合处理图结构数据但大多数GNN的边是数据驱动的如基于相似度学习或者固定为单位权重。工程师无法判断模型是否真的利用了反应器出口温度异常会影响到下游分离器这种物理知识——模型可能只是记住了训练集中的统计相关性。两全的路径在哪里可以显式的将工艺流程拓扑编码为邻接矩阵作为图神经网络的固定输入。这样模型从一开始就知道哪些节点之间存在直接物理连接。在此基础上检测阶段训练一个图自编码器仅使用正常工况数据。当故障发生时重构误差会显著增大通过马氏距离设定阈值即可实现灵敏检测。诊断阶段训练一个注意力时空图卷积网络同时捕捉空间图拓扑和时间滑动窗口内的动态两个维度的特征输出21类故障正常20种故障类型。02 知识图谱的构建让模型拥有流程图视野2.1 节点与边从PID到邻接矩阵田纳西-伊士曼过程的工艺流程已有成熟文献按照以下规则构造了52个节点的有向图实现中转为无向图存储节点每个传感器或操作变量对应一个节点。包括22个连续过程测量值、19个成分分析值、11个操作变量。边如果两个变量在物料流或能量流上存在直接的上下游关系例如反应器出口温度→反应器冷却水流量则添加一条边。最终获得84条边。这个邻接矩阵被固定在GAE和ASTGCN中均不参与训练更新这种设计的物理意义在于模型看到的图结构与工程师眼中的流程图一致——任何通过该图传播的信息都可以追溯到真实的工艺连接。2.2 GAE无监督重构检测异常GAE采用切比雪夫图卷积层ChebConvK2作为编码器将52维节点特征逐步压缩到2维嵌入解码器则从2维嵌入逐层上采样重构每个节点的原始信号。训练时仅使用无故障数据。训练完成后对于任意一个新样本计算其重构误差。由于正常工况的误差分布遵循多元高斯分布在足够长的时间窗口下采用马氏距离而不是简单的欧氏距离来融合不同节点的误差相关性。滑动窗口500个样本上的MD序列中超过阈值经调优取57的点即触发故障报警。该检测器的优势无需任何故障标签完全无监督对微弱故障敏感——重构误差会在故障发生初期就开始偏离而非等到偏差累积到阈值。2.3 ASTGCN注意力驱动的时空分类ASTGCN是诊断阶段的核心由两个顺序堆叠的时空注意力块组成每个块包含空间注意力机制计算每个时间步下节点之间的动态相关性权重即使图的拓扑是固定的节点间的相互作用强度可以随时间变化例如某个阀门开度变化会影响下游节点的敏感度。图卷积模块使用切比雪夫多项式K3对空间注意力加权的邻接矩阵进行谱域卷积提取每个节点的局部邻域特征。时间注意力机制计算不同时间步之间的相关性捕捉长周期动态模式。时间卷积模块标准1D卷积沿时间维度进行进一步编码时序依赖。两个块堆叠后输出一个包含时空信息的特征张量维度为节点数×时间步×滤波器数。随后通过全局最大池化跨节点压缩为一个固定长度的向量再经过两层全连接网络256→256→21输出分类logits。损失函数采用交叉熵标签平滑平滑系数0.1优化器为AdamW学习率按StepLR每20轮衰减至0.8倍。如果你对信号滤波/降噪机器学习/深度学习时间序列预分析/预测设备故障诊断/缺陷检测/异常检测有疑问或者需要论文思路上的建议欢迎学术付费咨询kang20224哦工学博士《MSSP》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家擅长领域信号滤波/降噪机器学习/深度学习时间序列预分析/预测设备故障诊断/缺陷检测/异常检测