国家自然科学基金重点项目“工业大数据环境下面向智能制造系统的质量科学管控方法研究”科普网站（项目号：71932006）
多元时间序列在物理学、基因组学、神经科学和经济学等多个科学领域中广泛存在。研究这些领域的一个主要目标是探索变量之间的因果关系。这对于生物学中推断基因调控网络或识别质量工程中缺陷的根本原因等任务至关重要。这些因果关系通常随时间变化，尤其是在非平稳过程中特别明显。因此，理解并准确把握系统因果关系动态的变化是非常重要的。
因果网络，如贝叶斯网络，是图形化表示系统中不同变量之间因果关系和依赖关系的有效工具。其中，节点代表变量，定向边表示因果关系。这种形式有助于理解系统内不同元素之间的相互作用。
本文提出了一种新的从因果角度监测系统动态的方法。该方法使用动态贝叶斯网络，通过包含时间效应，可以对序列和时间序列数据中的因果关系进行建模。为了进一步捕捉这些因果关系随时间的变化，所提出的方法允许贝叶斯网络在每个时间段中具有不同的网络结构。针对实际部署，作者们开发了一种在线检测算法，用于估计不同时间段之间的时间变化点。
通过将该方法应用于三相流设备系统，作者们展示了该方法的有效性。研究发现，动态贝叶斯网络模型成功地捕捉了不同位置之间的因果关系，并且在线算法能够及时检测到改变系统动态的故障。值得注意的是，所提出的方法相较于传统的仅关注系统变量边缘分布变化的变点检测方法，显示出了明显的优势。这一进展强调了因果视角在理解系统动态中的重要性。
声明： 本网页内容旨在向公众介绍工业大数据环境下质量科学的研究内容和重要意义。
@项目研究组
