2026年5月，实验室博士生李亚辉撰写的论文 “Multivariate anomaly detection for industrial process systems via knowledge-constrained semantic learning” 被期刊 Journal of Process Control（影响因子3.9）录用并在线发表。

该研究针对工业过程系统中多变量强耦合、异常特征易受工况波动和反馈控制掩盖、现有数据驱动方法难以区分统计相关性与真实机理关联性等问题，提出了一种基于知识约束语义学习的多变量异常检测方法。区别于仅依赖历史数据挖掘统计相关性的数据驱动方法，该方法引入由工艺机理、变量类型和控制拓扑构成的先验语义图，用以刻画变量之间符合物理机理和控制逻辑的关联关系。在此基础上，研究将先验图中的节点类型和变量关系转化为可参与模型训练的语义伪标签与软约束，引导模型在学习数据特征的同时保持与工业机理的一致性，并通过松弛机制缓解先验知识与实际运行数据之间可能存在的不一致。基于SWaT、WADI、HAI及真实FCC工业数据集的实验结果表明，该方法能够有效降低误报率，提升复杂工业场景下异常检测的准确性和可解释性，为工业控制系统的安全监测、故障诊断与智能运维提供了新的理论方法与技术支撑。

上述研究工作得到了国家自然科学基金项目（62127808，62320106005）的资助。