La extracción de relaciones causales de sistemas dinámicos complejos se ha convertido en un tema atractivo durante décadas, especialmente para la ingeniería de diseño de máquinas, la fabricación industrial y el mantenimiento de equipos, que suelen sufrir de un gran número de relaciones enredadas. Aunque se han utilizado muchos métodos de detección de causalidad, evaluar y elegir métodos apropiados, así como desarrollar un flujo de trabajo adecuado, siguen siendo desafíos. En este artículo, se presenta un flujo de trabajo de análisis causal diseñado para detectar patrones ocultos involucrados con mecanismos mecánicos. En particular, se ensamblan varias medidas de causalidad, lo que permite la búsqueda de mecanismos causales refinados, el impacto de la ley constitutiva y la distribución espacial de la causalidad a partir de la red cruda enredada. Basado en experimentos numéricos, se pueden extraer varias conclusiones beneficiosas: Separar etapas típicas es necesario para un proceso complejo; La propiedad constitutiva tiene un gran impacto en la inferencia causal; La discrepancia de causalidad entre diferentes ubicaciones de los puntos de monitoreo depende principalmente de si está cerca del límite fijo, cerca de la carga o en contacto con fricción; La Causalidad de Granger es adecuada para descubrir dependencias lineales entre material, carga y geometría, mientras que los algoritmos basados en restricciones y en puntuaciones sobresalen en la identificación de causalidad no lineal en la plasticidad del metal, discontinuidades severas en el contacto, carga dinámica impulsiva o fenómenos de amortiguamiento.