工业过程故障根源诊断与传播路径识别技术综述

故障根源诊断与传播路径识别是故障诊断框架下的关键核心问题,是保障工业过程安全生产及获得可靠产品质量的有效手段,是当前过程控制领域的研究热点.该技术的研究不仅丰富了故障诊断理论,而且对故障诊断技术在工程中的推广与应用具有重要意义.阐述了基于知识、数据及知识与数据联合驱动的故障根源诊断与传播路径识别方法的基本思想、适用条件和优劣特点,分类概述了相关方法的研究现状.探讨了该领域亟待解决的问题及未来的发展方向,包括:1)“三个维度”视角下的工业过程故障根源诊断与传播路径识别;2)基于制造大数据分析与因果关系挖掘的工业过程质量精准追溯;3)面向传播、耦合、多重并发特性的工业过程复合故障分布式诊断;4)基于多源异构动态信息融合的工业过程异常工况时空追溯可视化.

基于变量因果图的故障定位和传播路径识别方法及应用

故障定位和传播路径识别能够为维持系统稳定运行提供重要信息。传统基于贡献直方图的故障诊断方法存在着变量定位不准和早期故障不易被检测等问题。为解决上述问题,提出一种基于变量因果图的故障定位和传播路径识别方法(CDPPIFI)。具体地,首先进行故障预检测,在检测到故障后利用贡献直方图找出潜在的故障变量;然后,以潜在故障变量为起点,分析变量之间的因果关系,构建故障变量的因果图模型,对因果图模型进行溯源,定位故障源头;最后,对源头变量数据构建监测指标,从而实现早期故障检测。为了验证方法的有效性,设计了控制系统数值仿真和连续反应搅拌釜基准实验,结果表明所提出方法能够准确地定位故障源并识别故障传播路径。

基于HMM和BN的精轧过程故障传播路径识别

针对故障传播路径识别领域中基于数据的方法会造成变量间存在大量冗余连接的问题和基于知识的方法会造成变量间信息丢失的问题,提出隐马尔科夫模型与贝叶斯网络相结合的故障传播路径识别新方法。首先,将带钢热连轧过程知识构建为定性贝叶斯网络结构,通过主成分分析方法对带钢热连轧过程中的数据进行降维处理,以得到训练模型所需的观测序列;然后,根据降维后的正常历史数据及其对数似然值,建立贝叶斯网络进行传播路径识别所需的条件概率表;最后,将故障数据及其对数似然值作为贝叶斯网络进行识别故障传播路径的似然证据。实验结果表明,该方法能精准定位发生故障的6个变量,没有出现误诊和漏检的现象,且能准确识别故障的传播路径。