Due to the interaction of process variables, process data is in essence graph-structured with non-Euclidean nature. Hence, learning the graph representation in a low-dimensional Euclidean space will be helpful for gaining the true insights underlying the industrial process. In this study, a meticulous process monitoring method (PM-MCF) is proposed based on multiscale convolutional feature extraction. For the proposed method, the interactions between different process variables are identified using causality inference. According to the obtained graph structure, convolutional filters are specifically designed for each process variable. In this way, the local correlation within directly related variables and their corresponding dynamic information can be effectively extracted. Besides, with the increasing of convolutional layers, more variables can be involved through the interaction relationship to explore a larger reception field. Based on the obtained feature matrices, sub-models are developed to calculate the monitoring statistics and their corresponding control limits. Finally, the decisions of all the sub-models are integrated to identify the operation status of the process system. It is noted that the proposed PM-MCF can be readily generalized to other existing methods by replacing the selected filter and the developed sub-models. The monitoring performance of the proposed method is illustrated using process data collected from a thermal power plant. Experimental results show that the proposed method can accurately detect the process anomalies using the extracted causal relationship.

由于过程变量的相互作用，过程数据本质上是具有非欧几里德性质的图结构。因此，在低维欧几里得空间中学习图表示将有助于获得工业过程背后的真实见解。在这项研究中，提出了一种基于多尺度卷积特征提取的精细过程监控方法（PM-MCF）。对于所提出的方法，使用因果关系推断识别不同过程变量之间的相互作用。根据获得的图结构，针对每个过程变量专门设计卷积滤波器。这样，可以有效地提取直接相关变量内的局部相关性及其相应的动态信息。此外，随着卷积层的增加，通过交互关系可以涉及更多变量，探索更大的接待领域。根据获得的特征矩阵，开发子模型来计算监测统计量及其相应的控制限。最后，综合所有子模型的决策来识别过程系统的运行状态。值得注意的是，通过替换选定的过滤器和开发的子模型，所提出的 PM-MCF 可以很容易地推广到其他现有方法。使用从热电厂收集的过程数据说明了所提出方法的监测性能。实验结果表明，所提方法能够利用提取的因果关系准确检测过程异常。根据获得的特征矩阵，开发子模型来计算监测统计量及其相应的控制限。最后，综合所有子模型的决策来识别过程系统的运行状态。值得注意的是，通过替换选定的过滤器和开发的子模型，建议的 PM-MCF 可以很容易地推广到其他现有方法。使用从热电厂收集的过程数据说明了所提出方法的监测性能。实验结果表明，所提方法能够利用提取的因果关系准确检测过程异常。根据获得的特征矩阵，开发子模型来计算监测统计量及其相应的控制限。最后，综合所有子模型的决策来识别过程系统的运行状态。值得注意的是，通过替换选定的过滤器和开发的子模型，所提出的 PM-MCF 可以很容易地推广到其他现有方法。使用从热电厂收集的过程数据说明了所提出方法的监测性能。实验结果表明，所提方法能够利用提取的因果关系准确检测过程异常。综合所有子模型的决策来识别过程系统的运行状态。值得注意的是，通过替换选定的过滤器和开发的子模型，所提出的 PM-MCF 可以很容易地推广到其他现有方法。使用从热电厂收集的过程数据说明了所提出方法的监测性能。实验结果表明，所提方法能够利用提取的因果关系准确检测过程异常。综合所有子模型的决策来识别过程系统的运行状态。值得注意的是，通过替换选定的过滤器和开发的子模型，所提出的 PM-MCF 可以很容易地推广到其他现有方法。使用从热电厂收集的过程数据说明了所提出方法的监测性能。实验结果表明，所提方法能够利用提取的因果关系准确检测过程异常。使用从热电厂收集的过程数据说明了所提出方法的监测性能。实验结果表明，所提方法能够利用提取的因果关系准确检测过程异常。使用从热电厂收集的过程数据说明了所提出方法的监测性能。实验结果表明，所提方法能够利用提取的因果关系准确检测过程异常。