在工业过程中，传感器生成的复杂多变量时间序列数据常常呈现出多层次的相互依赖关系。有效监控和及时检测这些数据中的异常对于防止故障和确保自动化系统的可靠性至关重要。多变量时间序列异常检测（MTAD）正是实现这一目标的重要手段。
图神经网络（GNNs）通过利用数据驱动的图来建模变量间复杂的依赖关系，从而提升了MTAD的效果，能够有效捕捉多变量时间序列中的关系结构。然而，现有的基于GNN的方法往往忽略了关键的过程知识，即使考虑到这些知识，如何无缝地将其融入现有模型仍然具有挑战性，导致性能不尽如人意。
为了解决这一问题，我们提出了一种知识辅助的多图框架，用于建模多层次工业过程中的传感器依赖关系，从而增强MTAD的效果。该方法明确将过程知识融入图学习中，以提升依赖关系建模能力并改善异常检测性能。我们构建了三种互补的图：一个纯数据驱动的图和两个通过整合来自过程知识的结构约束来优化的图。
为了有效利用这些图进行异常检测，我们采用了多图注意力网络，从而实现对复杂依赖关系的更准确、稳健的表示。在两个真实世界的多阶段工业数据集上的全面实验表明，融入过程知识显著提升了异常检测性能。
博主点评： 本研究通过引入过程知识，成功增强了图神经网络在多变量时间序列异常检测中的表现，展示了跨学科知识在数据驱动模型中的重要性。未来，如何进一步优化这一框架以适应更复杂的工业环境，将是值得关注的方向。