结合 SHAP 与因果分析实现工业过程可解释故障检测
机器学习
2025-10-29 v1 统计方法学
摘要
工业过程生成复杂数据，对故障检测系统构成挑战，尽管采用先进的机器学习技术，往往会产生不透明或不理想的结果。本研究采用以其复杂动力学著名的 Tennessee Eastman 过程，开发一种创新的故障检测框架。初始采用标准模型时，在性能和可解释性方面均存在局限，促使我们转向更具可处理性的方案。通过采用 SHAP（SHapley Additive exPlanations）方法，将问题转化为更易管理和透明的形式，确定驱动故障预测的最关键过程特征。这种复杂性的降低，使我们能够通过由多种算法生成的有向无环图（DAG）进行因果分析，揭示故障传播的底层机制。所得因果结构与 SHAP 的发现相吻合，始终指出如冷却和分离系统等关键过程要素在故障发展中起核心作用。这种方法的结合不仅提升了检测精度，还为操作员提供了清晰、可操作的故障来源见解——据我们所知，这种协同作用在此类情境下尚未被探索过。这种双重方法将预测能力与因果理解能力相结合，为监控复杂制造环境提供了强大的工具，为工业系统的更智能、更可解释的故障检测指明了道路。
引用
@article{arxiv.2510.23817,
title = {Combining SHAP and Causal Analysis for Interpretable Fault Detection in Industrial Processes},
author = {Pedro Cortes dos Santos and Matheus Becali Rocha and Renato A Krohling},
journal= {arXiv preprint arXiv:2510.23817},
year = {2025}
}