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.

基于因果分解的SOFC系统故障根源诊断方法

固体氧化物燃料电池(solid oxide fuel cell,SOFC)具有高效率、低排放、长寿命运行等特点。SOFC系统发电过程中存在时变、非线性和非平稳性等现象,会引起性能演化衰变,进而导致不明故障而停机。鉴于此,文中提出了一种基于因果分解的故障根源诊断方法。该方法运用集成经验模式分解(EEMD)方法将过程数据分解为有限个固有模式函数(IMF)以表征原始信号在不同时间尺度上的局部特征,同时引入瞬时相位相关性概念以定量评估IMF分量间因果作用,从而达到因果分解的目的。此外,该方法在考虑时间优先原则的同时,强调因果交互作用的瞬时关系,因而增强双向因果关系检测与分析能力。实验结果表明,该方法通过可靠的故障传播路径分析可实现故障源准确定位,为故障演化机理分析提供支撑,具有较强实用性。

一种新颖的深度因果图建模及其故障诊断方法

为了实现复杂工业过程故障检测和诊断一体化建模,提出了一种新颖的深度因果图建模方法.首先,利用循环神经网络建立深度因果图模型,将Group Lasso稀疏惩罚项引入到模型训练中,自动地检测过程变量间的因果关系.其次,利用模型学习到的条件概率预测模型对每个变量建立监测指标,并融合得到综合指标进行整体工业过程故障检测.一旦检测到故障,对故障样本构建变量贡献度指标,隔离故障相关变量,并通过深度因果图模型的局部因果有向图诊断故障根源,辨识故障传播路径.最后,通过田纳西-伊斯曼过程进行仿真验证,实验结果验证了所提方法的有效性.