CausEvDif:一种结合视觉理解的动态因果-证据扩散模型,用于工业物联网异常检测

《COMPUTERS IN INDUSTRY》:CausEvDif: A dynamic causal-evidential diffusion model with visual understanding for anomaly detection in the Industrial Internet of Things

【字体: 大 中 小 】 时间:2026年08月28日 来源:COMPUTERS IN INDUSTRY 10.0

编辑推荐:

   **摘要** 在工业物联网(IIoT)系统中进行时间序列异常检测对于确保运营安全和防止关键基础设施中的灾难性事故至关重要。扩散模型在学习这些复杂异常模式方面展现出了巨大潜力。然而,在实际工业场景中实现鲁棒的异常检测功能仍存在两个局限:(1)它们生成的模式过于多样化,未遵循工

  

**摘要**

在工业物联网(IIoT)系统中进行时间序列异常检测对于确保运营安全和防止关键基础设施中的灾难性事故至关重要。扩散模型在学习这些复杂异常模式方面展现出了巨大潜力。然而,在实际工业场景中实现鲁棒的异常检测功能仍存在两个局限:(1)它们生成的模式过于多样化,未遵循工业过程的内在约束;(2)它们无法有效融入与系统特定因果关系相关的领域知识。为解决这些挑战,我们提出了CausEvDif,一种将深度视觉理解与融合机理知识的扩散模型相结合的新型IIoT异常检测方法,弥合了算法与实际工业过程之间的差距。为实现这种理解,我们采用预训练视觉语言模型(VLM)作为时间序列数据视觉表示的核心推理引擎。我们的方法引入了三个关键创新:(1)条件生成增强,将时间序列数据转换为视觉格式,并利用预训练VLM引导扩散过程趋向真实的工业模式;(2)动态证据推理框架,旨在在不确定性下协调可能相互冲突的机理知识与数据驱动的因果洞察;(3)多尺度时空去噪网络,具有拓扑自适应结构,能够从局部波动到全局趋势捕捉特征。在三个公开工业基准数据集上的大量实验表明,CausEvDif显著优于当前最优方法,尤其是在复杂异常场景中。在真实工业数据集上的额外实验进一步表明,该方法能够实现更快的异常检测,并支持更有效的异常处理。

**引言**

工业物联网(IIoT)系统的广泛部署为现代工业过程带来了前所未有的连接性和效率,但也使工业过程面临日益复杂的网络安全威胁。工业过程中的异常攻击可能导致生产中断、设备损坏,甚至触发严重的安全事故和环境灾害(López等,2023)。与传统信息技术系统不同,工业控制系统的安全威胁直接关系到物理世界的安全。因此,及时准确地识别工业过程中的异常已成为确保关键基础设施安全运营的核心挑战(Goyal等,2023;Maurya和Shukla,2024)。

鉴于标注异常的稀缺性和异常模式的异构性,异常检测本质上是一项无监督学习任务(Audibert等,2020;Wu等,2025)。当前方法主要采用两种范式:基于预测的方法(Li等,2021)和基于重建的方法(Su等,2019)。虽然基于预测的方法在序列预测中往往存在误差传播问题,但基于重建的框架由于其固有的误差抑制机制而具有更优的鲁棒性(Zhang等,2023)。这种能力使基于重建的框架在网络安全系统的异常识别中得到了实际应用(Xu等,2023)。

在基于重建的范式中,扩散模型近期作为一种有说服力的替代方案,正在取代传统的确定性或单步生成框架(包括自编码器、生成对抗网络和变分自编码器)用于时间序列异常检测(Kim等,2023;Zhang等,2023)。扩散模型适用于工业环境的原因在于其迭代去噪过程能够逐步捕捉复杂的多模态数据分布。这类分布在IIoT环境中普遍存在,因为正常运行数据跨越不同的运行状态(如启动与满载条件),并涉及动态的非线性跨传感器相关性。在这些条件下,传统方法表现出特征性的局限性:自编码器倾向于通过最小化跨运行模式的均方误差产生模糊的平均值;变分自编码器在结构约束下往往过度简化潜在分布;生成对抗网络仍容易受到模式崩溃的影响。相比之下,扩散模型的渐进式精炼机制训练网络在多个噪声级别下从逐步加噪的输入中恢复正常数据模式,从而能够忠实表征罕见但正常的运行模式,进而减少误报。扩散模型中的多尺度迭代重建过程保留了对指示初期故障的微妙跨传感器扰动的敏感性,建立了鲁棒且精确的工业异常表征基准。尽管具有这些优势,将扩散模型应用于IIoT异常检测仍面临两个关键挑战。

- 第一个挑战是无约束模式生成。即扩散模型在生成过程中存在多样性失控问题(Sikder等,2023;Sivaroopan等,2024)。它们对工业过程的特定模式缺乏精确约束,这可能导致生成的正常样本偏离工业系统的实际生产过程原理,从而降低异常检测的准确性。

- 第二个挑战是领域知识脱节。即现有的扩散模型缺乏与工业过程领域知识的有效融合。它们无法充分利用工业系统的物理机理和变量之间的因果关系。这严重限制了模型在识别复杂异常模式时的性能和可解释性,尤其是在存在噪声干扰的情况下。

为应对这些挑战,我们提出了一种用于IIoT异常检测的具有视觉理解的动态因果-证据扩散(CausEvDif)模型。我们首先引入一种机制将IIoT数据转换为捕捉丰富时空信息的二维图像。预训练视觉语言模型(VLM)作为这种视觉理解的核心引擎,对这些图像进行解读以提取深层语义特征,这些特征经过自适应层精炼后作为扩散模型的条件输入。此外,我们通过动态证据推理融合机理因果图和数据驱动因果图,并设计了一个多尺度自适应时空去噪网络,以有效捕捉IIoT过程中的动态复杂模式。

总体而言,我们的主要贡献总结如下:

- **条件生成增强:** 为提升模型鲁棒性,我们将时间序列数据转换为信息丰富的视觉格式。通过利用预训练VLM提取深层语义特征,我们将扩散模型以这些特征作为条件输入,确保生成的样本与工业过程的内在模式一致。

- **动态融合框架:** 我们开发了一个动态证据理论融合框架,将机理拓扑与动态因果图相结合。该框架能够动态协调先验知识与数据驱动因果发现之间的冲突和不确定性,在信息不完整的情况下实现可靠的知识融合。这种融合增强了工业过程中对物理规律的理解,并提高了模型在不同运行条件下的泛化能力。

- **多尺度去噪网络:** 我们设计的多尺度时空去噪网络采用拓扑自适应结构和门控残差机制,从局部波动到全局趋势捕捉工业过程中的特征。该架构根据运行状态动态调整特征提取策略,显著增强了对隐蔽异常的检测敏感性。

- **综合评估与实用部署:** 在三个公开工业基准数据集上的大量实验证实了我们的方法优于当前最优方法,尤其是对于复杂异常。这一性能在一家大型中国精细化工企业中得到进一步验证,我们实现的Web软件达到了86.14%的异常检测准确率。该系统还提供异常传播路径,为有效的异常处理提供有价值的决策支持。

本文其余部分组织如下。第2节简要回顾了相关工作。第3节详细介绍了CausEvDif方法。第4节评估了算法性能并讨论了消融实验和案例研究。最后,第5节总结了研究结果并提出了未来工作计划。

**相关工作摘要**

多变量时间序列(MTS)异常检测在工业应用中发挥着关键作用,能够实现对过程状态和设备条件的实时监控,以及网络攻击识别和过程优化等运营智能任务(Yi等,2023;Li等,2025)。这种重要性引起了广泛的工业关注,并推动了面向复杂场景的先进算法发展(Li等,2019;Truong等,2022)。

**问题定义**

MTS异常检测旨在识别由多个变量在时间上顺序观测组成的数据中的异常模式。与单变量场景不同,MTS同时捕捉多个变量之间复杂的依赖关系。

我们关注MTS的无监督异常检测,记为 $X_{input} \in \mathbb{R}^{M \times K}$,其中 $M$ 和 $K$ 分别表示输入的最大时间戳数和变量数。为捕捉局部上下文信息,我们采用非重叠窗口进行数据分段。

**数据集**

为评估所提出的CausEvDif方法的准确性和有效性,我们使用四个数据集进行了实验。这些数据集包括三个公开基准数据集:Secure Water Treatment(SWaT)、Water Distribution(WADI)和基于硬件在环的增强工业控制系统安全数据集(HAI),以及一个来自企业的真实环氧乙烷(EO)数据集。这些数据集的详细信息如下。

SWaT数据集(Mathur等……)

**结论**

在这项工作中,我们提出了CausEvDif,这是一种通过具有基于VLM图像条件控制的动态因果-证据扩散模型来增强IIoT异常检测的新型方法。为应对传统基于扩散方法中无约束模式生成和领域知识脱节的关键挑战,我们提出的模型利用基于VLM的图像条件控制来改进检测能力。具体而言,MTS数据被转换为丰富的视觉表示……

**CRediT作者贡献声明**

吴智超:撰写—原稿,软件,方法论,形式分析,数据整理,概念构思。
朱力:验证,形式分析,数据整理。
张宁伟:调查,资金获取,概念构思。
蒋金阳:可视化,验证。
韦晓鹏:监督,资金获取。
白建明:撰写—审阅与编辑,监督,概念构思。

**利益冲突声明**

作者声明不存在已知可能影响本文所报告工作的竞争性财务利益或个人关系。

**致谢**

本工作得到了中国国家重点研发计划(资助编号:2024YFB3311600)、中国国家自然科学基金(资助编号:U21A20491、72401116、72671126、72273059)以及中国辽宁省自然科学基金(资助编号:2023-MSBA-001)的支持。作者感谢副编辑和匿名审稿人的高效工作和宝贵建议。

吴智超 | 朱力 | 张宁伟 | 蒋金阳 | 韦晓鹏 | 白建明

西北师范大学 人工智能与计算机科学学院,中国兰州 730070
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号