LEVEL 3 · 因果学习

不只预测会发生什么，
还要理解为什么。

围绕一条智能工厂产线，亲手完成四种因果任务：从观测中提出结构、改写一次行动、剥离传感噪声，再把稳定机制迁移到新环境。

开始实验固定种子 · 教学模拟 API CONNECTING

FACTORY / LINE 07 SCM ONLINE

01观察P(Y | X)

02干预P(Y | do(X))

03反事实Y_x(u)

04迁移P^e(Y | X)

对象轴承故障风险

环境产线 A → B

目标可干预的解释

FOUR EXPERIMENTS

同一台机器，四种因果问题

每个案例都可调参数、运行并得到结论。图中的数值来自内置结构因果模型，不代表真实工业诊断。

CASE 01 / DISCOVERY

从 1,200 条运行记录中，能否发现“过载 → 振动 → 故障”的结构？

OBSERVATIONAL DATA

INPUT / 观察设置

选择交给算法的信息

观测样本量1,200 条 2005,000 观测“夜班”变量夜班同时影响机器负载和故障率

变量5

时间顺序已知

算法PC · SIM

OUTPUT / 候选因果图 LEARNED

条件独立检验 负载 ⫫ 故障 | 振动, 夜班 p = 0.418 · 可删除直接边

CASE 02 / COUNTERFACTUAL

机器 #07 已经发生故障：如果当时提前维护，同一台机器会怎样？

SAME UNIT · TWIN WORLD

INPUT / 个体状态

锁定机器，再改写行动

轴承磨损78% 轻微严重 运行负载84% 40%100% 反事实：提前维护8 小时不维护16 小时

同一外生状态已锁定材料缺陷、微小冲击与未观测噪声保持不变

LOCKED

TWIN WORLD / 双世界对照 MACHINE #07

事实世界

82%

故障风险

82% 维护：0 小时

反事实世界

31%

故障风险

31% 维护：8 小时

个体因果效应 Y_maintain=8(u_07) − Y_maintain=0(u_07) −51 个百分点

CASE 03 / REPRESENTATION

换了传感器、噪声和采样环境，能否仍识别同一组故障因素？

LATENT CAUSAL FACTORS

INPUT / 观测环境

保持故障因素，切换“外观”

真实轴承磨损72% 20%95%

传感环境 A · 标准 B · 高噪 C · 新品牌

背景噪声18 dB 0 dB50 dB

ENCODER / 表征对照 INVARIANCE

原始振动观测 x环境 A · 标准

普通表征 z漂移 0%

72% 同时编码磨损与传感器风格

因果表征 z_c漂移 0%

72% 保留磨损，抑制环境干扰

磨损 0.72 负载 0.84 温度 0.46

CASE 04 / TRANSFER

把产线 A 的模型迁到产线 B，哪些机制可以带走，哪些相关性要丢掉？

DOMAIN SHIFT

INPUT / 目标环境

调大两条产线的差异

域偏移强度62% 相似完全不同

SOURCE产线 A

传感器: 旧品牌
班次: 夜班多
样本: 12k

TARGET产线 B

传感器: 新品牌
班次: 白班多
样本: 1k

允许 200 条目标域校准样本只更新输出阈值，不重学因果机制

BENCHMARK / 目标域准确率 1,000 TARGET CASES

四种能力，回答四类问题

从群体数据到单个样本，再从隐藏因素到新环境，因果学习关注的是“改变之后仍成立什么”。

因果发现

输入：观察数据

输出：候选因果图结构与方向

反事实推理

输入：个体 + 替代行动

输出：未发生的结果同一对象的另一世界

因果表征

输入：多环境复杂观测

输出：稳定潜在因素信号与干扰解耦

因果迁移

输入：源域 + 目标域

输出：跨环境预测复用不变机制