Towards Accurate Root-Alarm Identification: The Causal Bayesian Network Approach
Notice bibliographique
Résumé
Abnormalities in modern process industries are reported by alarms. Strong inter-connectivities within different units of a plant lead to annunciations of multiple alarms in a short period of time, which hinders a prompt operator response. A fundamental problem in such alarm floods is to identify the original source of abnormality by finding the directly affected alarm, known as the root cause. This is essentially a causal problem which has been tackled by many non-causal approaches, including transfer entropy and Bayesian network based methods, which despite their successful applications, have their own shortcomings. Causal identification requires intervention. That is, to “intervene” and manually change the distribution of a random variable A, and compare its conditional distribution with respect to another variable B before and during the intervention to examine whether A is caused by B. This acknowledged notion of causality, leads to causal Bayesian networks where unlike Bayesian networks, the edges are truly causal. Nevertheless, intervening the alarms during a fault event is implausible if not impossible, hindering the use of this rich notion of causality in alarm root cause analysis. We tackle this issue by treating abnormalities as uncertain interventions, because they, indeed, intervene the directly affected alarms and change their distributions. We then find the causal Bayesian network that best represents the alarm data. In addition to more-accurate root-cause identification, our causal Bayesian network based method has the ability to discover the root causes under multiple simultaneous abnormalities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».