核心发现
方法论
本研究提出两份公开工业连续过程数据集，利用Tennessee Eastman模拟器和实际食品厂数据，结合多种因果发现算法（如LiNGAM、GES、PC、NOTEARS）进行性能评估。采用多指标（TP、FDR、SHD等）对算法进行全面比较，确保在真实工业场景中算法的适用性与鲁棒性。数据预处理包括归一化、变量筛选和时间窗口滑动，确保数据质量。通过系统性实验验证不同算法在不同数据集上的表现差异，为工业应用提供科学依据。
关键结果
- 在TE模拟数据集上，LiNGAM和GIES表现优异，TP达85%以上，SHD最低，表明其在结构准确性方面优势明显。
- 实际食品生产数据中，基于图的算法（如PC、FCI）在检测潜在因果关系方面表现更稳健，FDR低于0.2，验证了其在复杂环境中的适用性。
- 不同算法在速度、准确率和鲁棒性方面存在明显差异，为工业场景选择提供多维度参考。
研究意义
该研究填补了工业连续过程因果关系数据集缺失的空白，为算法性能评估提供了标准平台。通过真实与模拟数据的结合，推动了因果发现方法在工业领域的应用落地，有助于故障诊断、过程优化和决策制定。多指标评估体系增强了算法的可比性，为未来工业智能化提供技术支撑。
技术贡献
首次公开两份工业连续过程数据集，结合多算法、多指标的系统性评估框架，提出了适用于工业场景的基准测试流程。引入多 ground truth 设计，增强因果关系识别的可靠性。算法方面，系统比较了LiNGAM、GIES、PC、NOTEARS等前沿方法，揭示其在实际工业数据中的表现差异，为算法改进提供理论基础和实践指导。
新颖性
本工作创新点在于结合模拟与真实工业数据，建立多维度评估体系，首次在连续工业流程中实现标准化的因果关系性能基准。不同于以往偏重合成数据或单一场景的研究，此项工作提供了具有代表性的工业连续过程数据集，极大推动了行业内因果关系研究的标准化和实用化。
局限性
- 数据集虽覆盖多场景，但仍受限于部分变量的采样频率和时间窗口，可能影响因果关系的完整性。
- 部分算法在高维复杂环境下计算成本较高，实际应用中需优化算法效率。
- 因果关系的方向性在部分复杂系统中仍存在不确定性，未来需结合干预实验进一步验证。
未来方向
未来将扩展多行业、多场景数据集，丰富因果关系类型。结合干预实验和强化学习方法，提升因果关系识别的准确性。探索深度学习与因果模型的融合，推动工业智能决策的自动化。此外，开发实时在线因果发现工具，满足工业现场快速响应需求。
AI 总览摘要
工业连续过程中的因果关系识别是工业智能化的核心挑战之一。传统方法多依赖专家经验，难以应对复杂、多变的生产环境。随着Industry 4.0的发展，大量传感器数据为数据驱动的因果发现提供了可能，但缺乏标准化的评估平台限制了算法的推广。本文提出了CIPCaD-Bench，包含两份具有代表性的工业连续过程数据集：一份基于Tennessee Eastman模拟器，另一份来自实际食品厂。通过系统性比较多种前沿因果发现算法（如LiNGAM、GIES、PC、NOTEARS），采用多指标（TP、FDR、SHD）进行性能评估，验证了不同算法在模拟与真实环境中的表现差异。研究显示，LiNGAM在结构准确性方面表现优异，而图模型算法在复杂环境中更具鲁棒性。这一工作为工业场景中的因果关系分析提供了标准化工具，有助于故障诊断、过程优化和决策支持。未来，将继续丰富数据源，结合干预验证，推动因果发现技术在工业中的广泛应用。
深度分析
研究背景
工业过程中的因果关系分析一直是优化和故障诊断的关键。传统方法依赖专家经验和经验模型，存在主观性强、适应性差的问题。近年来，深度学习虽在模式识别方面取得突破，但缺乏对系统结构的理解。因果发现（Causal Discovery, CD）作为揭示变量间潜在因果关系的工具，逐渐成为研究热点。已有的公开数据集多为合成或有限场景，难以满足工业实际需求。行业内亟需标准化、真实的连续过程数据集，以推动算法性能评估和应用落地。
核心问题
当前工业因果关系研究面临数据缺乏、场景复杂和算法评估不统一的挑战。模拟数据虽便于控制，但缺乏真实场景的复杂性，影响算法的实际应用能力。真实工业数据因隐私和采集难题难以公开，限制了研究的深度。缺少统一的基准测试平台，使得不同算法难以公平比较。如何在保证数据真实性的同时，建立可比性强的评估体系，是行业亟待解决的问题。
核心创新
本研究创新点在于：1）首次公开两份工业连续过程数据集，涵盖模拟与真实场景，丰富了因果关系研究的资源；2）提出多指标评估体系，包括TP、FDR、SHD等，全面衡量算法性能；3）结合多算法（LiNGAM、GIES、PC、NOTEARS）进行系统性性能比较，揭示其在工业数据中的优劣，为算法优化提供依据；4）引入ground truth设计，增强因果关系识别的可靠性。这些创新推动了工业因果关系研究的标准化和实用化。
方法详解
- �� 数据采集：利用Tennessee Eastman模拟器生成模拟数据，结合实际食品厂数据，进行预处理（归一化、变量筛选、时间窗口滑动）。
- �� 变量定义：模拟数据包括41变量，筛选出33个关键变量；实际数据包括17个变量，覆盖生产关键环节。
- �� 结构建模：模拟数据基于机械关系建立ground truth，真实数据通过生产流程推断因果关系，设计两份ground truth模型。
- �� 算法比较：采用LiNGAM、GIES、PC、NOTEARS等多种算法，运行在统一平台，参数调优后进行性能测试。
- �� 评估指标：使用TP、FDR、SHD、PR、RE等指标，全面评估算法在不同数据集上的表现。
- �� 统计分析：对比不同算法的优劣，分析速度、准确率和鲁棒性，为工业应用提供决策依据。
实验设计
实验采用两份数据集：模拟的Tennessee Eastman（33变量，1500样本）和实际食品生产（17变量，23132样本）。在不同算法下，评估其因果关系检测能力。参数调优包括正则化系数、学习率等。通过多次交叉验证确保结果稳定性。对比不同算法在结构准确性、检测率和误检率上的表现，分析算法在复杂环境中的适应性。还进行了敏感性分析，验证变量预处理对结果的影响。
结果分析
LiNGAM在模拟数据中TP达85%，SHD最低，表现优越；GIES在复杂环境中表现稳健，FDR低于0.2。图模型算法（PC、FCI）在检测潜在关系方面表现良好，尤其在真实数据中表现出较强鲁棒性。不同算法在速度和准确率上存在差异，为工业场景选择提供多维度参考。整体而言，模拟数据中结构识别更准确，真实数据中鲁棒性更强，验证了算法在不同场景下的适应性。
应用场景
本研究提供的基准平台可用于工业故障诊断、过程优化和自动控制。企业可利用这些数据和算法评估工具，提升生产效率和安全性。未来，结合实时数据流和干预实验，将推动工业智能决策的自动化，实现自主故障检测和预警。
局限与展望
数据集虽丰富，但仍受限于变量采样频率和时间窗口，可能影响因果关系的完整性。部分算法在高维环境下计算成本较高，实际应用需优化。因果关系的方向性在复杂系统中仍存在不确定性，未来需结合干预验证，提升识别准确率。
通俗解读 非专业人士也能看懂
想象你在管理一个大型工厂，工厂里有很多机器和流程，每个机器的状态和操作都会影响到其他机器。传统上，你可能通过经验和观察来判断哪个机器会影响哪个，但这种方法很主观，也不够准确。现在，科学家们开发了一些“智能工具”，它们可以分析工厂里大量的传感器数据，自动找出这些机器之间的因果关系，就像用一个智能侦探揭示工厂内部的秘密一样。这些工具可以帮助你提前发现潜在的问题，优化生产流程，甚至预测故障发生的可能性。研究中，科学家们用模拟的工厂数据和真实工厂数据，测试了不同的“侦探”工具，结果显示某些工具在识别关系方面特别准确，能大大提高工厂的效率和安全。这就像给工厂装上了“智能大脑”，让它自己知道哪些环节需要改进，未来还能实现自动化管理，减少人为干预。
简单解释 像给14岁少年讲一样
你可以把工厂想象成一个大厨房，有很多不同的厨具和食材。每个厨具的使用和食材的变化都会影响到最终的菜肴。以前厨师们只能凭经验猜测哪个厨具会影响哪个食材，但这种猜测不总准。现在，有科学家发明了一些“智能助手”，它们可以分析厨房里传感器收集到的大量数据，帮你找出厨具和食材之间真正的因果关系，就像一个超级侦探一样。这些助手可以告诉你，哪个厨具的调整会影响到菜的味道，甚至提前预警可能出现的问题。研究中，科学家用模拟厨房和真实厨房的数据，测试了这些“智能助手”，发现有些特别擅长识别关系，能帮厨师们更好地控制烹饪过程。未来，这些技术还能让厨房变得更智能，自动调节火候和调料，让每一道菜都完美无瑕。就像给厨房装上了“智能大脑”，让烹饪变得更简单、更科学。
原文摘要
Causal relationships are commonly examined in manufacturing processes to support faults investigations, perform interventions, and make strategic decisions. Industry 4.0 has made available an increasing amount of data that enable data-driven Causal Discovery (CD). Considering the growing number of recently proposed CD methods, it is necessary to introduce strict benchmarking procedures on publicly available datasets since they represent the foundation for a fair comparison and validation of different methods. This work introduces two novel public datasets for CD in continuous manufacturing processes. The first dataset employs the well-known Tennessee Eastman simulator for fault detection and process control. The second dataset is extracted from an ultra-processed food manufacturing plant, and it includes a description of the plant, as well as multiple ground truths. These datasets are used to propose a benchmarking procedure based on different metrics and evaluated on a wide selection of CD algorithms. This work allows testing CD methods in realistic conditions enabling the selection of the most suitable method for specific target applications. The datasets are available at the following link: https://github.com/giovanniMen