由于工业过程单元的反应机理复杂，工业过程变量之间存在因果关系和相关性。因果发现算法已被用于发现变量关系的知识，并指导过程建模和控制优化。然而，它们大多受到严格假设的限制，如线性关系、加性噪声、稳态过程等。因此，这些方法不能在大多数实际工业过程中获得良好的性能。为了解决这些问题，本文提出了一种新的用于工业因果图发现的权重比较因果挖掘算法。它首先用过程数据训练一组隐层神经网络，然后根据网络权重的比较挖掘过程变量的无向骨架，进一步确定骨架中无向边的因果方向，得到有向因果图。通过尿素合成过程的基准测试和实际工业案例验证了WCCM的有效性。WCCM挖掘的无向边和直边与地面实况具有很高的一致性。此外，WCCM的因果发现结果被用于指导软传感器建模的特征选择，从而提高了预测精度和模型的可解释性。
