论文阅读——使用因果图形模型进行过程监控，并应用于钢连铸中的堵塞检测

Process monitoring using causal graphical models, with application to clogging detection in steel continuous casting

abstract: 因果图形模型进行实时决策，来检测与预测钢连铸过程中的堵塞问题。

优点：考虑了混杂干扰的影响。

描述了钢铁在连铸制造时发生堵塞的严重性，引出在线阻塞检测的重要性。由于环境恶劣，所以传统中通过建立数学推断模型模拟内部状态变化的方法不可取。且无法直接测量，则无法验证模型的可靠性。所以我们通过数据建模型。

背景：连铸时工艺数据具有高度非稳态性，我们可以采用自适应监测方法。随着数据变化调整模型，但会造成正常变化与故障的难区别。解决方案：将过程固定为多个模型，在线检测每个模型匹配的可能性。

使用CGMs 建立因果图与半同胞回归将过程数据结合检测。因果网构建的原因：有助于将专家知识转化为图形表示。转换为信号之间的减法计算，有利于构建预测的公式。

重要理论：半同胞回归通过消除不可观察的混杂因素的影响重建潜在的兴趣量。（个人认为：在多因一果上可以用该方法）。

半同胞回归是一种简单直观的方法，用于消除导致过程数据非平稳性的混杂噪声。

 通过其它间接可见因素X对Y的影响来估计直接因素H的影响。

故我们可以通过