智能系统：动态不确定因果图在化工系统动态故障诊断中的应用

第10卷第3期 智能系统学报 Vol.10 No.3 2015年6月 CAAI Transactions on Intelligent Systems Jun.2015 D0:10.3969/j.issn.1673-4785.201503012 网络出版地址：htp:/www.cnki.net/kcms/detail/23.1538.tp.20150518.0907.001.html 动态不确定因果图在化工系统动态故障诊断中的应用 曲彦光，张勤2，朱群雄 (1.北京化工大学信息科学与技术学院，北京100029：2.北京航空航天大学计算机学院，北京100083) 摘要：为了避免化工工程中经济及生命的损失，有效及时检测出故障是十分必要的。动态不确定因果图(DUCG) 是一种根据有向图实现动态不确定因果关系表达与推理的方法。其处理信息的特性，对于目前规模庞大的化工过 程故障诊断有着自身的优势。因此运用DUCG,通过构建对象系统知识库、对故障数据进行概率推理，实现化工过程 的故障诊断，并针对化工过程的震荡信号，对原DUCG系统的数据发送模块做出改进，使之适用范围更全面。为了 验证DUCG理论的有效性，采用TE过程作为实验对象，建立包含54个变量，114条因果关系的DUCG模型。该模型 对TE过程中的故障得到较高诊断排序概率，诊断正确概率达到了100%，与贝叶斯网络的平均诊断正确概率79. 71%相比，说明了DUCG是一种行之有效的方法。 关键词：化工过程；动态不确定因果图：故障诊断：TE过程：概率推理 中图分类号：TP391.41文献标志码：A文章编号：1673-4785(2015)03-0354-08 中文引用格式：曲彦光，张勒，朱群雄.动态不确定因果图在化工系统动态故障诊断中的应用[J].智能系统学报，2015,10(3)： 354-361. 英文引用格式：QU Yanguang,,ZHANG Qin,ZHU Qunxiong..Application of dynamic uncertain causality graph to dynamic fault di-- agnosis in chemical processes[J].CAAI Transactions on Intelligent Systems,2015,10(3):354-361. Application of dynamic uncertain causality graph to dynamic fault diagnosis in chemical processes QU Yanguang',ZHANG Qin2,ZHU Qunxiong (1.College of Information Science and Technology,Beijing University of Chemical Technology,Beijing 100029,China;2.School of Computer Science and Engineering,Beihang University,Beijing 100083,China) Abstract:In chemical processes,it is necessary to effectively diagnose the fault on time in order to avoid losses of economy and lives.Dynamic uncertain causality graph(DUCG)is a method,which represents and infers the dy- namic,uncertain causalities of the process system according to directed graph.Based on the characteristics of pro- cessing information,DUCG has its own advantages for fault diagnosis in chemical processes on a large scale.There- fore,this article applies DUCG to realize fault diagnosis of chemical processes by constructing the object system knowledge base and probabilistic reasoning on fault data.The data transmission module of the former DUCG system is improved to deal with the vibrational signals in the chemical process,and to widen the scope of application.The Tennessee Eastman (TE)simulator is taken as the experimental subject to test the effectiveness of DUCG methodol- ogy and software.54 variables and 114 causalities are included in the constructed DUCG knowledge model.Accord- ing to this model,all the failures simulated by TE are diagnosed in a high probability of ranking.The correct diag- nosis rate is 100%.In comparison of Bayesian Network (BN),the mean correct diagnosis rate is 79.71%reported- ly,showing that DUCG is an effective method. Keywords:chemical process;dynamic uncertain causality graph;fault diagnosis;Tennessee Eastman (TE) process;probabilistic reasoning 迅速有效地诊断出一个复杂系统的故障是所有 过程专家和现场工作人员的主要目的之一。这一举 收稿日期：2015-03-09.网络出版日期：2015-05-18. 措不仅能提高产量，提升经济效益，还能降低事故发 基金项目：国家自然科学基金资助项目(61273330：61473026) 生的风险。目前已有许多学者提出了不同故障诊断 通信作者：张勒.E-mail:zhangqin@buaa.edu.cm. 朱群雄.E-mail:zhuqx(@mail.buct.cdu.cn 的方法。大体来讲，这些方法可分为3类：基于知识

第 １０ 卷第 ３ 期 智 能 系 统 学 报 Ｖｏｌ．１０ №．３ ２０１５ 年 ６ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｊｕｎ． ２０１５ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１５０３０１２ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ｔｐ．２０１５０５１８．０９０７．００１．ｈｔｍｌ 动态不确定因果图在化工系统动态故障诊断中的应用 曲彦光１ ，张勤２ ，朱群雄１ （１．北京化工大学 信息科学与技术学院，北京 １０００２９；２．北京航空航天大学 计算机学院，北京 １０００８３） 摘 要：为了避免化工工程中经济及生命的损失，有效及时检测出故障是十分必要的。 动态不确定因果图（ＤＵＣＧ） 是一种根据有向图实现动态不确定因果关系表达与推理的方法。 其处理信息的特性，对于目前规模庞大的化工过 程故障诊断有着自身的优势。 因此运用 ＤＵＣＧ，通过构建对象系统知识库、对故障数据进行概率推理，实现化工过程 的故障诊断，并针对化工过程的震荡信号，对原 ＤＵＣＧ 系统的数据发送模块做出改进，使之适用范围更全面。 为了 验证 ＤＵＣＧ 理论的有效性，采用 ＴＥ 过程作为实验对象，建立包含 ５４ 个变量、１１４ 条因果关系的 ＤＵＣＧ 模型。 该模型 对 ＴＥ 过程中的故障得到较高诊断排序概率，诊断正确概率达到了 １００％，与贝叶斯网络的平均诊断正确概率 ７９． ７１％相比，说明了 ＤＵＣＧ 是一种行之有效的方法。 关键词：化工过程；动态不确定因果图；故障诊断；ＴＥ 过程；概率推理 中图分类号：ＴＰ３９１．４１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１５）０３⁃０３５４⁃０８ 中文引用格式：曲彦光，张勤，朱群雄． 动态不确定因果图在化工系统动态故障诊断中的应用［ Ｊ］． 智能系统学报， ２０１５， １０（ ３）： ３５４⁃３６１． 英文引用格式：ＱＵ Ｙａｎｇｕａｎｇ， ＺＨＡＮＧ Ｑｉｎ， ＺＨＵ Ｑｕｎｘｉｏｎｇ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｄｙｎａｍｉｃ ｕｎｃｅｒｔａｉｎ ｃａｕｓａｌｉｔｙ ｇｒａｐｈ ｔｏ ｄｙｎａｍｉｃ ｆａｕｌｔ ｄｉ⁃ ａｇｎｏｓｉｓ ｉｎ ｃｈｅｍｉｃａｌ ｐｒｏｃｅｓｓｅｓ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１５， １０（３）： ３５４⁃３６１． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｄｙｎａｍｉｃ ｕｎｃｅｒｔａｉｎ ｃａｕｓａｌｉｔｙ ｇｒａｐｈ ｔｏ ｄｙｎａｍｉｃ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｉｎ ｃｈｅｍｉｃａｌ ｐｒｏｃｅｓｓｅｓ ＱＵ Ｙａｎｇｕａｎｇ １ ， ＺＨＡＮＧ Ｑｉｎ ２ ， ＺＨＵ Ｑｕｎｘｉｏｎｇ １ （１． Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｅｍｉｃａｌ Ｔｅｃｈｎｏｌｏｇｙ， Ｂｅｉｊｉｎｇ １０００２９， Ｃｈｉｎａ； ２． Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｂｅｉｈａｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｂｅｉｊｉｎｇ １０００８３， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｃｈｅｍｉｃａｌ ｐｒｏｃｅｓｓｅｓ， ｉｔ ｉｓ ｎｅｃｅｓｓａｒｙ ｔｏ ｅｆｆｅｃｔｉｖｅｌｙ ｄｉａｇｎｏｓｅ ｔｈｅ ｆａｕｌｔ ｏｎ ｔｉｍｅ ｉｎ ｏｒｄｅｒ ｔｏ ａｖｏｉｄ ｌｏｓｓｅｓ ｏｆ ｅｃｏｎｏｍｙ ａｎｄ ｌｉｖｅｓ． Ｄｙｎａｍｉｃ ｕｎｃｅｒｔａｉｎ ｃａｕｓａｌｉｔｙ ｇｒａｐｈ （ＤＵＣＧ） ｉｓ ａ ｍｅｔｈｏｄ， ｗｈｉｃｈ ｒｅｐｒｅｓｅｎｔｓ ａｎｄ ｉｎｆｅｒｓ ｔｈｅ ｄｙ⁃ ｎａｍｉｃ， ｕｎｃｅｒｔａｉｎ ｃａｕｓａｌｉｔｉｅｓ ｏｆ ｔｈｅ ｐｒｏｃｅｓｓ ｓｙｓｔｅｍ ａｃｃｏｒｄｉｎｇ ｔｏ ｄｉｒｅｃｔｅｄ ｇｒａｐｈ． Ｂａｓｅｄ ｏｎ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｐｒｏ⁃ ｃｅｓｓｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ， ＤＵＣＧ ｈａｓ ｉｔｓ ｏｗｎ ａｄｖａｎｔａｇｅｓ ｆｏｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｉｎ ｃｈｅｍｉｃａｌ ｐｒｏｃｅｓｓｅｓ ｏｎ ａ ｌａｒｇｅ ｓｃａｌｅ． Ｔｈｅｒｅ⁃ ｆｏｒｅ， ｔｈｉｓ ａｒｔｉｃｌｅ ａｐｐｌｉｅｓ ＤＵＣＧ ｔｏ ｒｅａｌｉｚｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｃｈｅｍｉｃａｌ ｐｒｏｃｅｓｓｅｓ ｂｙ ｃｏｎｓｔｒｕｃｔｉｎｇ ｔｈｅ ｏｂｊｅｃｔ ｓｙｓｔｅｍ ｋｎｏｗｌｅｄｇｅ ｂａｓｅ ａｎｄ ｐｒｏｂａｂｉｌｉｓｔｉｃ ｒｅａｓｏｎｉｎｇ ｏｎ ｆａｕｌｔ ｄａｔａ． Ｔｈｅ ｄａｔａ ｔｒａｎｓｍｉｓｓｉｏｎ ｍｏｄｕｌｅ ｏｆ ｔｈｅ ｆｏｒｍｅｒ ＤＵＣＧ ｓｙｓｔｅｍ ｉｓ ｉｍｐｒｏｖｅｄ ｔｏ ｄｅａｌ ｗｉｔｈ ｔｈｅ ｖｉｂｒａｔｉｏｎａｌ ｓｉｇｎａｌｓ ｉｎ ｔｈｅ ｃｈｅｍｉｃａｌ ｐｒｏｃｅｓｓ， ａｎｄ ｔｏ ｗｉｄｅｎ ｔｈｅ ｓｃｏｐｅ ｏｆ ａｐｐｌｉｃａｔｉｏｎ． Ｔｈｅ Ｔｅｎｎｅｓｓｅｅ Ｅａｓｔｍａｎ （ＴＥ） ｓｉｍｕｌａｔｏｒ ｉｓ ｔａｋｅｎ ａｓ ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｓｕｂｊｅｃｔ ｔｏ ｔｅｓｔ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ＤＵＣＧ ｍｅｔｈｏｄｏｌ⁃ ｏｇｙ ａｎｄ ｓｏｆｔｗａｒｅ． ５４ ｖａｒｉａｂｌｅｓ ａｎｄ １１４ ｃａｕｓａｌｉｔｉｅｓ ａｒｅ ｉｎｃｌｕｄｅｄ ｉｎ ｔｈｅ ｃｏｎｓｔｒｕｃｔｅｄ ＤＵＣＧ ｋｎｏｗｌｅｄｇｅ ｍｏｄｅｌ． Ａｃｃｏｒｄ⁃ ｉｎｇ ｔｏ ｔｈｉｓ ｍｏｄｅｌ， ａｌｌ ｔｈｅ ｆａｉｌｕｒｅｓ ｓｉｍｕｌａｔｅｄ ｂｙ ＴＥ ａｒｅ ｄｉａｇｎｏｓｅｄ ｉｎ ａ ｈｉｇｈ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｒａｎｋｉｎｇ． Ｔｈｅ ｃｏｒｒｅｃｔ ｄｉａｇ⁃ ｎｏｓｉｓ ｒａｔｅ ｉｓ １００％． Ｉｎ ｃｏｍｐａｒｉｓｏｎ ｏｆ Ｂａｙｅｓｉａｎ Ｎｅｔｗｏｒｋ （ＢＮ）， ｔｈｅ ｍｅａｎ ｃｏｒｒｅｃｔ ｄｉａｇｎｏｓｉｓ ｒａｔｅ ｉｓ ７９．７１％ ｒｅｐｏｒｔｅｄ⁃ ｌｙ， ｓｈｏｗｉｎｇ ｔｈａｔ ＤＵＣＧ ｉｓ ａｎ ｅｆｆｅｃｔｉｖｅ ｍｅｔｈｏｄ． Ｋｅｙｗｏｒｄｓ：ｃｈｅｍｉｃａｌ ｐｒｏｃｅｓｓ； ｄｙｎａｍｉｃ ｕｎｃｅｒｔａｉｎ ｃａｕｓａｌｉｔｙ ｇｒａｐｈ； ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ； Ｔｅｎｎｅｓｓｅｅ Ｅａｓｔｍａｎ （ ＴＥ） ｐｒｏｃｅｓｓ； ｐｒｏｂａｂｉｌｉｓｔｉｃ ｒｅａｓｏｎｉｎｇ 收稿日期：２０１５⁃０３⁃０９． 网络出版日期：２０１５⁃０５⁃１８． 基金项目：国家自然科学基金资助项目（６１２７３３３０；６１４７３０２６）． 通信作者：张勤． Ｅ⁃ｍａｉｌ： ｚｈａｎｇｑｉｎ＠ ｂｕａａ．ｅｄｕ．ｃｎ． 朱群雄． Ｅ⁃ｍａｉｌ： ｚｈｕｑｘ＠ ｍａｉｌ．ｂｕｃｔ．ｅｄｕ．ｃｎ． 迅速有效地诊断出一个复杂系统的故障是所有 过程专家和现场工作人员的主要目的之一。 这一举 措不仅能提高产量，提升经济效益，还能降低事故发 生的风险。 目前已有许多学者提出了不同故障诊断 的方法。 大体来讲，这些方法可分为 ３ 类：基于知识

第3期 曲彦光，等：动态不确定因果图在化工系统动态故障诊断中的应用 ·355· 的方法、基于模型的方法以及基于数据驱动的方法。 B,是DUCG中的基本变量（根变量），i为变量 像专家系统、模糊逻辑这些基于知识的方法山，是 标号，B:为B,处于j状态的事件。B类型变量（事 利用根据系统特性建立的定性模型。基于模型的方 件)只有输出，没有输入，在图中用矩形表示。 法，例如状态估计法及参数估计法[2)，是根据系统 X是DUCG中的结果或效果变量，在图中用圆形 内的物理关系来组建系统的分析模型。一些基于数 表示，n为变量标号。X为X处于k状态的事件。 据驱动的方法，比如神经网络(ANN)s或者主元 G,是DUCG中的逻辑门变量，至少有2个输入， 分析法(PCA)[),是利用历史过程数据统计进行数 1个输出，G为G,处于k状态的事件。逻辑门把其 学分析。上述提到的各种方法都已广泛应用到了各 输入变量各状态的某种逻辑组合作为其一个状态， 个领域。它们都有各自的优缺点，基于知识的方法 从而使DUCG的表达更加简洁。 比较依赖于专家的知识，而一些基于数据驱动的方 D,是DUCG中的缺省事件，代表X的未知原 法则需要大规模的历史数据才能得到比较准确的结 因，用五边形表示。 果。因此近些年，多种故障诊断方法的结合算法被 实箭头表示连接变量，写为F,是原因变量V 应用到各种过程中[8-山。 (V∈{B,X,G,D})作用于结果变量Xn的作用变量。 动态不确定因果图(dynamic uncertain causality 由于V和Xn有不同状态，F是一个矩阵，由F组 graph,DUCG)是一种结合了定性模型与定量概率 成。PrFk:时}=(Tnrn)PrA时}=(Tn/rn)at,其 推理的新系统。这一方法根据知识来建立模型并根 中Ak代表V导致X4发生这一虚拟的因果作用事 据严格的概率论来计算故障的概率，避免了单一定 件，其发生概率为a,>0为V和X之间存在因 性或定量方法的缺陷。DUCG实现了不确定因果知 果关系的关联度，.=∑I4。 识的简洁(compact)表达，并提供了有效的概率推 虚箭头表示条件作用变量，即仅当条件Z:满 理，使推理结果可以解释。作为一种新的知识表达 足时，F:才成立，否则F,被删除。 与推理方法，DUCG已经应用到了医药领域[)及核 1.2DUCG的概率推理 电领域。 DUCG的概率推理基于如下假设： 本文旨在证明DUCG是一种可以有效诊断化 假设V是X的父变量，那么有 工系统故障的方法，在文献[14]的研究基础上，进 X4=∑(rr)∑A.g'g 一步完善了DUCG知识库的内容，使诊断结果更加 xt=∑(r)∑a,gg (1) 准确，文献[14]中未能模拟并诊断的故障16在本 文中得到了准确诊断：同时针对原DUCG系统在震 式中：x=PrXt},v,=PrVg}。 荡型故障上诊断的不足，用新方法给出了改进的数 DUCG概率推理的第1项工作是根据接收到的 据发送模块，调整了DUCG知识库建模，并取得了 证据对DUCG进行化简。当DUCG接收到了证据 更理想的结果。 信息E(通常为一组X变量的状态事件)，就可以通 过证据信息E中观测到的X变量的非正常状态实 1 动态不确定因果图 现DUCG的化简：不可能存在及无意义的变量和因 1.1DUCG简介 果关系将在推理过程中被删除。化简的规则和细节 DUCG是一个可以包含环路的有向图，图1展 详见参考文献[15]，这些化简规则可以反复任意顺 示了DUCG所应用的一些标准符号，这些符号的定 序使用直至DUCG无法继续化简。化简DUCG,不 义如下。 仅可以迅速找到问题区间，还可以在保证计算精确 度的同时，大幅降低计算规模。 接下来第2项工作是对E中的事件按照式(1)进 B 行逻辑展开，用以计算Pr{HIE}=Pr{HE}/Pr{E}, 图1DUCG示例 其中H为待求的假设事件，亦即故障事件，通常为B Fig.1 Illustration for DUCG 类型事件，仅存于化简后的DUCG中。展开HE和E

的方法、基于模型的方法以及基于数据驱动的方法。 像专家系统、模糊逻辑这些基于知识的方法［１］ ，是 利用根据系统特性建立的定性模型。 基于模型的方 法，例如状态估计法及参数估计法［２－４］ ，是根据系统 内的物理关系来组建系统的分析模型。 一些基于数 据驱动的方法，比如神经网络（ＡＮＮ） ［５－ ６］ 或者主元 分析法（ＰＣＡ） ［７］ ，是利用历史过程数据统计进行数 学分析。 上述提到的各种方法都已广泛应用到了各 个领域。 它们都有各自的优缺点，基于知识的方法 比较依赖于专家的知识，而一些基于数据驱动的方 法则需要大规模的历史数据才能得到比较准确的结 果。 因此近些年，多种故障诊断方法的结合算法被 应用到各种过程中［８－１１］ 。 动态不确定因果图（ ｄｙｎａｍｉｃ ｕｎｃｅｒｔａｉｎ ｃａｕｓａｌｉｔｙ ｇｒａｐｈ， ＤＵＣＧ） 是一种结合了定性模型与定量概率 推理的新系统。 这一方法根据知识来建立模型并根 据严格的概率论来计算故障的概率，避免了单一定 性或定量方法的缺陷。 ＤＵＣＧ 实现了不确定因果知 识的简洁（ ｃｏｍｐａｃｔ） 表达，并提供了有效的概率推 理，使推理结果可以解释。 作为一种新的知识表达 与推理方法，ＤＵＣＧ 已经应用到了医药领域［１２］ 及核 电领域［１３］ 。 本文旨在证明 ＤＵＣＧ 是一种可以有效诊断化 工系统故障的方法，在文献［１４］ 的研究基础上，进 一步完善了 ＤＵＣＧ 知识库的内容，使诊断结果更加 准确，文献［１４］中未能模拟并诊断的故障 １６ 在本 文中得到了准确诊断；同时针对原 ＤＵＣＧ 系统在震 荡型故障上诊断的不足，用新方法给出了改进的数 据发送模块，调整了 ＤＵＣＧ 知识库建模，并取得了 更理想的结果。 １ 动态不确定因果图 １．１ ＤＵＣＧ 简介 ＤＵＣＧ 是一个可以包含环路的有向图，图 １ 展 示了 ＤＵＣＧ 所应用的一些标准符号，这些符号的定 义如下。 图 １ ＤＵＣＧ 示例 Ｆｉｇ． １ Ｉｌｌｕｓｔｒａｔｉｏｎ ｆｏｒ ＤＵＣＧ Ｂｉ是 ＤＵＣＧ 中的基本变量（根变量），ｉ 为变量 标号，Ｂｉｊ为 Ｂｉ 处于 ｊ 状态的事件。 Ｂ 类型变量（事 件）只有输出，没有输入，在图中用矩形表示。 Ｘｎ是 ＤＵＣＧ 中的结果或效果变量，在图中用圆形 表示，ｎ 为变量标号。 Ｘｎｋ为 Ｘｎ处于 ｋ 状态的事件。 Ｇｎ是 ＤＵＣＧ 中的逻辑门变量，至少有 ２ 个输入， １ 个输出，Ｇｎｋ为 Ｇｎ处于 ｋ 状态的事件。 逻辑门把其 输入变量各状态的某种逻辑组合作为其一个状态， 从而使 ＤＵＣＧ 的表达更加简洁。 Ｄｎ是 ＤＵＣＧ 中的缺省事件，代表 Ｘｎ 的未知原 因，用五边形表示。 实箭头表示连接变量，写为 Ｆｎ；ｉ，是原因变量 Ｖｉ （Ｖ∈｛Ｂ，Ｘ，Ｇ，Ｄ｝）作用于结果变量 Ｘｎ的作用变量。 由于 Ｖｉ和 Ｘｎ有不同状态，Ｆｎ；ｉ是一个矩阵，由 Ｆｎｋ；ｉｊ组 成。 Ｐｒ｛Ｆｎｋ；ｉｊ｝ ＝ （ｒｎ；ｉ ／ ｒｎ ）Ｐｒ｛Ａｎｋ；ｉｊ｝ ＝ （ｒｎ；ｉ ／ ｒｎ ）ａｎｋ；ｉｊ，其 中 Ａｎｋ；ｉｊ代表 Ｖｉｊ导致 Ｘｎｋ发生这一虚拟的因果作用事 件，其发生概率为 ａｎｋ；ｉｊ，ｒｎ；ｉ＞０ 为 Ｖｉ和 Ｘｎ之间存在因 果关系的关联度，ｒｎ ＝ ∑ｉ ｒｎ，ｉ 。 虚箭头表示条件作用变量，即仅当条件 Ｚｎ；ｉ 满 足时，Ｆｎ；ｉ才成立，否则 Ｆｎ；ｉ被删除。 １．２ ＤＵＣＧ 的概率推理 ＤＵＣＧ 的概率推理基于如下假设： 假设 Ｖｉ是 Ｘｎ的父变量，那么有 Ｘｎｋ ＝ ∑ｉ （ｒｎ，ｉ ／ ｒｎ ）∑ ｊ Ａｎｋ，ｉｊＶｉｊ ｘｎｋ ＝ ∑ｉ （ｒｎ，ｉ ／ ｒｎ ）∑ ｊ ａｎｋ，ｉｊ ｖｉｊ （１） 式中：ｘｎｋºＰｒ｛Ｘｎｋ｝，ｖｉｊºＰｒ｛Ｖｉｊ｝。 ＤＵＣＧ 概率推理的第 １ 项工作是根据接收到的 证据对 ＤＵＣＧ 进行化简。 当 ＤＵＣＧ 接收到了证据 信息 Ｅ（通常为一组 Ｘ 变量的状态事件），就可以通 过证据信息 Ｅ 中观测到的 Ｘ 变量的非正常状态实 现 ＤＵＣＧ 的化简：不可能存在及无意义的变量和因 果关系将在推理过程中被删除。 化简的规则和细节 详见参考文献［１５］，这些化简规则可以反复任意顺 序使用直至 ＤＵＣＧ 无法继续化简。 化简 ＤＵＣＧ，不 仅可以迅速找到问题区间，还可以在保证计算精确 度的同时，大幅降低计算规模。 接下来第 ２ 项工作是对 Ｅ 中的事件按照式（１）进 行逻辑展开，用以计算 Ｐｒ｛Ｈｋｊ ｜ Ｅ｝ ＝ Ｐｒ｛ＨｋｊＥ｝ ／ Ｐｒ｛Ｅ｝， 其中 Ｈｋｊ为待求的假设事件，亦即故障事件，通常为 Ｂ 类型事件，仅存于化简后的 ＤＵＣＧ 中。 展开 ＨｋｊＥ 和 Ｅ 第 ３ 期 曲彦光，等：动态不确定因果图在化工系统动态故障诊断中的应用 ·３５５·

·356. 智能系统学报 第10卷 的方法相同，详见参考文献[15]。在展开的表达式中， 只有F和B类型事件，将其发生概率代入即可计算H h()=()Π(，)/(o)- 的验后概率。 @(t)=IIPrE()/PrI IIE(L)(2) H的状态概率定义为h=Pr{HIE}、排序 9 式中：S(4:)为t,时刻化简DUCG中的故障假设集 概率定义为h= 。其中S为存在于化简 合，。为未收到故障信号前的时刻。 HyeSH TE过程 DUCG中的所有可能故障假设的集合。当S.中只 有1个H时，无需计算即可知=1(100%)。 为了验证DUCG在故障诊断上的有效性，采用 对于动态故障诊断，DUCG目前采用的方法是 了Tennessee Eastman(TE)过程作为诊断的实例。 假定各时间片t,内的化简DUCG均包含待求故障假 TE过程是由Tennessee Eastman公司设计的实际工 设H,且证据E(t:)在给定H的条件下独立，则用 业过程的仿真模拟，旨在开发、研究及评价过程控制 式(2)进行计算： 理论和技术。Ricker针对这一过程编译了matlab的 仿真程序。本文采用了Ricker提供的程序，该TE 过程的工艺流程图及采用的控制回路如图2所示。 ©回 8 Compress8a可 Cooling Water TOT 9 Purge A (FD)- r@- @ D 需 G L Conderser Vapor Lig 酒 @ -Separato E 13 西 ∩@ Cooling Water ⊙@ E <>N R 西 @ @ R Stripper co 0 © ©-@ ④ @ 12 Reactor ① Steam >N 酒 T Product 图2TE过程工艺流程 Fig.2 The Tennessee Eastman process TE过程由5个主要单元组成：反应器、冷凝器、障13是反应动力学缓慢漂移：故障14和15为数据 汽提塔，气液分离装置及压缩机：TE的生产过程包含称震荡趋势的阀门粘滞故障：故障16至故障20为未 4种气态的起始反应物：A、C、D、E,每种起始反应物知故障。TE过程被广泛的应用到各种不同研究领域 都混有1%的惰性气体B,它们被喂入反应器后会生来测试各种理论的实际效果。在故障诊断领域，像 成2种气态产物G和H,同时会生成液态副产物F。PCA、贝叶斯网络(BN)等理论已经通过TE过程证明 该过程包含了41个观测变量、12个操作变量以及20了其有效性。在本文中，TE过程也用于验证DUCG 个故障（见表1）。故障1至故障8为数据阶跃变化理论的有效性，基于不同的故障，TE过程的故障数据 的故障：故障9至故障12为数据随机变化的故障：故不仅可以当作离线数据来建立DUCG模型，同时可

的方法相同，详见参考文献［１５］。 在展开的表达式中， 只有 Ｆ 和 Ｂ 类型事件，将其发生概率代入即可计算 Ｈｋｊ 的验后概率。 Ｈｋｊ的状态概率定义为 ｈ ｓ ｋｊ ≡ Ｐｒ｛Ｈｋｊ ｜ Ｅ｝ 、排序 概率定义为 ｈ ｒ ｋｊ ≡ ｈ ｓ ｋｊ Ｈ∑ｋｊ∈ＳＨ ｈ ｓ ｋｊ 。 其中 ＳＨ为存在于化简 ＤＵＣＧ 中的所有可能故障假设的集合。 当 ＳＨ 中只 有 １ 个 Ｈｋｊ时，无需计算即可知 ｈ ｒ ｋｊ ＝ １（１００％）。 对于动态故障诊断，ＤＵＣＧ 目前采用的方法是 假定各时间片 ｔ ｉ内的化简 ＤＵＣＧ 均包含待求故障假 设 Ｈｋｊ，且证据 Ｅ（ ｔ ｉ）在给定 Ｈｋｊ的条件下独立，则用 式（２）进行计算： ＳＨ（ｔ） ＝ ∏ ｎ ｉ ＝ １ ＳＨ（ｔ ｉ） ｈ ｓ ｋｊ（ｔ） ＝ αＥ（ｔ）∏ ｎ ｉ ＝ １ ｈ ｓ ｋｊ（ｔ ｉ） ／ （ｈ ｓ ｋｊ（ｔ ０ ）） ｎ－１ αＥ（ｔ） ≡ ∏ ｎ ｉ ＝ １ Ｐｒ｛Ｅ（ｔ ｉ）｝ ／ Ｐｒ｛∏ ｎ ｉ ＝ １ Ｅ（ｔ ｉ）｝ （２） 式中：Ｓ（ ｔ ｉ ） 为 ｔ ｉ 时刻化简 ＤＵＣＧ 中的故障假设集 合，ｔ ０为未收到故障信号前的时刻。 ２ ＴＥ 过程 为了验证 ＤＵＣＧ 在故障诊断上的有效性，采用 了 Ｔｅｎｎｅｓｓｅｅ Ｅａｓｔｍａｎ （ ＴＥ） 过程作为诊断的实例。 ＴＥ 过程是由 Ｔｅｎｎｅｓｓｅｅ Ｅａｓｔｍａｎ 公司设计的实际工 业过程的仿真模拟，旨在开发、研究及评价过程控制 理论和技术。 Ｒｉｃｋｅｒ 针对这一过程编译了 ｍａｔｌａｂ 的 仿真程序。 本文采用了 Ｒｉｃｋｅｒ 提供的程序，该 ＴＥ 过程的工艺流程图及采用的控制回路如图 ２ 所示。 图 ２ ＴＥ 过程工艺流程 Ｆｉｇ． ２ Ｔｈｅ Ｔｅｎｎｅｓｓｅｅ Ｅａｓｔｍａｎ ｐｒｏｃｅｓｓ ＴＥ 过程由 ５ 个主要单元组成：反应器、冷凝器、 汽提塔，气液分离装置及压缩机；ＴＥ 的生产过程包含 ４ 种气态的起始反应物：Ａ、Ｃ、Ｄ、Ｅ，每种起始反应物 都混有 １％的惰性气体 Ｂ，它们被喂入反应器后会生 成 ２ 种气态产物 Ｇ 和 Ｈ，同时会生成液态副产物 Ｆ。 该过程包含了 ４１ 个观测变量、１２ 个操作变量以及 ２０ 个故障（见表 １）。 故障 １ 至故障 ８ 为数据阶跃变化 的故障；故障 ９ 至故障 １２ 为数据随机变化的故障；故 障 １３ 是反应动力学缓慢漂移；故障 １４ 和 １５ 为数据 称震荡趋势的阀门粘滞故障；故障 １６ 至故障 ２０ 为未 知故障。 ＴＥ 过程被广泛的应用到各种不同研究领域 来测试各种理论的实际效果。 在故障诊断领域，像 ＰＣＡ、贝叶斯网络（ＢＮ）等理论已经通过 ＴＥ 过程证明 了其有效性。 在本文中，ＴＥ 过程也用于验证 ＤＵＣＧ 理论的有效性，基于不同的故障，ＴＥ 过程的故障数据 不仅可以当作离线数据来建立 ＤＵＣＧ 模型，同时可 ·３５６· 智 能 系 统 学 报 第 １０ 卷

第3期 曲彦光，等：动态不确定因果图在化工系统动态故障诊断中的应用 ·357. 以仿真成实时数据来验证DUCG的实时性。 以清晰地观测到所有故障的传递过程。 表1TE中模拟的故障 Table 1 Simulated faults in TE process No. 故障 故障类型 1 A/C进料比变化，B组分不变 阶跃 2 B组分变化，A/C组分不变 阶跃 物料D温度 阶跃 4 反应器冷却水温度 阶跃 冷凝器冷却水温度 阶跃 6 物料A损失 阶跃 7 物料C压头损失 阶跃 A、B、C组分 随机 9 物料D温度 随机 图3TE过程知识库 10 物料C温度 随机 Fig.3 The knowledge base of TE process 11 反应器冷却水温度 随机 与文献[14]建立的知识库相比，本知识库引入 12 冷凝器冷却水温度 随机 了变量X4,使原先无法诊断出的故障16得出了良好 13 反应器反应动力学 缓慢漂移 的诊断结果，并对知识库的其他连接事件及连接强度 14 反应器冷却水阀门 粘滞 进行了重新计算与调整。表2列出了34个X型变量 15 冷凝器冷却水阀门 粘滞 的详细信息。 16 未知 本文没有使用到子DUCG(当然可以根据不同的 17 未知 分类建立子DUCG),但是在大规模的系统中，子 DUCG的存在就是十分必要的了。 18 未知 19 未知 表2X型变量说明 20 未知 Table 2 X-type variables No. 变量名 No. 变量名 3 TE知识库的建立及诊断结果 1 物料A进料流量 8 物料C阀门 3.1TE知识库的建立 2 物料D进料流量 g 反应器冷却水阀门 要应用DUCG理论，首先要建立过程的DUCG 3 物料E进料流量 20 气液分离器温度 知识库。知识库的建立步骤如下： 4 物料A/C进料流量 21 气液分离器液位 1)根据目标过程建立变量列表，在TE过程中， 5 回流量 22 气液分离器压力 故障被定义成B型变量，观测变量和操作变量被定 6 反应器进料流量 23 气液分离器出口流量 义成X型变量。 7 反应器压力 24 气液分离器冷却水温度 2)对B型及X型变量进行状态划分。 8 反应器液位 25 气液分离器阀门 3)定义B型变量的先验概率参数。 9 反应器温度 26 冷凝器冷却水阀门 4)根据专家经验建立子DUCG。 o 放空率 27 放空阀 5)通过计算机将所有子DUCG合成，形成完整 1 反应器冷却水温度 28 汽提塔液位 的DUCG知识库。 反应器A组分含量 29 汽提塔压力 根据上述步骤，所建立的TE过程的知识库模型 13 反应器B组分含量 30 汽提塔出口流量 如图3所示。在这一TE过程的知识库中，一共选取 14 反应器C组分含量 31 汽提塔温度 了54个变量。其中有20个B型变量作为根变量，既 物料D阀门 32 产品中G组分含量 TE过程的20个故障：还有由25个观测变量和9个 16 物料E阀门 33 汽提塔阀门 操作变量组成的34个X型变量，通过这34个变量可 17 物料A阀门 34 汽提塔蒸汽流量

以仿真成实时数据来验证 ＤＵＣＧ 的实时性。 表 １ ＴＥ 中模拟的故障 Ｔａｂｌｅ １ Ｓｉｍｕｌａｔｅｄ ｆａｕｌｔｓ ｉｎ ＴＥ ｐｒｏｃｅｓｓ Ｎｏ． 故障 故障类型 １ Ａ／ Ｃ 进料比变化，Ｂ 组分不变 阶跃 ２ Ｂ 组分变化，Ａ／ Ｃ 组分不变 阶跃 ３ 物料 Ｄ 温度 阶跃 ４ 反应器冷却水温度 阶跃 ５ 冷凝器冷却水温度 阶跃 ６ 物料 Ａ 损失 阶跃 ７ 物料 Ｃ 压头损失 阶跃 ８ Ａ、Ｂ、Ｃ 组分 随机 ９ 物料 Ｄ 温度 随机 １０ 物料 Ｃ 温度 随机 １１ 反应器冷却水温度 随机 １２ 冷凝器冷却水温度 随机 １３ 反应器反应动力学 缓慢漂移 １４ 反应器冷却水阀门 粘滞 １５ 冷凝器冷却水阀门 粘滞 １６ 未知 — １７ 未知 — １８ 未知 — １９ 未知 — ２０ 未知 — ３ ＴＥ 知识库的建立及诊断结果 ３．１ ＴＥ 知识库的建立 要应用 ＤＵＣＧ 理论，首先要建立过程的 ＤＵＣＧ 知识库。 知识库的建立步骤如下： １）根据目标过程建立变量列表，在 ＴＥ 过程中， 故障被定义成 Ｂ 型变量，观测变量和操作变量被定 义成 Ｘ 型变量。 ２）对 Ｂ 型及 Ｘ 型变量进行状态划分。 ３）定义 Ｂ 型变量的先验概率参数。 ４）根据专家经验建立子 ＤＵＣＧ。 ５）通过计算机将所有子 ＤＵＣＧ 合成，形成完整 的 ＤＵＣＧ 知识库。 根据上述步骤，所建立的 ＴＥ 过程的知识库模型 如图 ３ 所示。 在这一 ＴＥ 过程的知识库中，一共选取 了 ５４ 个变量。 其中有 ２０ 个 Ｂ 型变量作为根变量，既 ＴＥ 过程的 ２０ 个故障；还有由 ２５ 个观测变量和 ９ 个 操作变量组成的 ３４ 个 Ｘ 型变量，通过这 ３４ 个变量可 以清晰地观测到所有故障的传递过程。 图 ３ ＴＥ 过程知识库 Ｆｉｇ． ３ Ｔｈｅ ｋｎｏｗｌｅｄｇｅ ｂａｓｅ ｏｆ ＴＥ ｐｒｏｃｅｓｓ 与文献［１４］ 建立的知识库相比，本知识库引入 了变量 Ｘ３４ ，使原先无法诊断出的故障 １６ 得出了良好 的诊断结果，并对知识库的其他连接事件及连接强度 进行了重新计算与调整。 表 ２ 列出了 ３４ 个 Ｘ 型变量 的详细信息。 本文没有使用到子 ＤＵＣＧ（当然可以根据不同的 分类建立子 ＤＵＣＧ）， 但是在大规模的系统中， 子 ＤＵＣＧ 的存在就是十分必要的了。 表 ２ Ｘ 型变量说明 Ｔａｂｌｅ ２ Ｘ⁃ｔｙｐｅ ｖａｒｉａｂｌｅｓ Ｎｏ． 变量名 Ｎｏ． 变量名 １ 物料 Ａ 进料流量 １８ 物料 Ｃ 阀门 ２ 物料 Ｄ 进料流量 １９ 反应器冷却水阀门 ３ 物料 Ｅ 进料流量 ２０ 气液分离器温度 ４ 物料 Ａ／ Ｃ 进料流量 ２１ 气液分离器液位 ５ 回流量 ２２ 气液分离器压力 ６ 反应器进料流量 ２３ 气液分离器出口流量 ７ 反应器压力 ２４ 气液分离器冷却水温度 ８ 反应器液位 ２５ 气液分离器阀门 ９ 反应器温度 ２６ 冷凝器冷却水阀门 １０ 放空率 ２７ 放空阀 １１ 反应器冷却水温度 ２８ 汽提塔液位 １２ 反应器 Ａ 组分含量 ２９ 汽提塔压力 １３ 反应器 Ｂ 组分含量 ３０ 汽提塔出口流量 １４ 反应器 Ｃ 组分含量 ３１ 汽提塔温度 １５ 物料 Ｄ 阀门 ３２ 产品中 Ｇ 组分含量 １６ 物料 Ｅ 阀门 ３３ 汽提塔阀门 １７ 物料 Ａ 阀门 ３４ 汽提塔蒸汽流量 第 ３ 期 曲彦光，等：动态不确定因果图在化工系统动态故障诊断中的应用 ·３５７·

·358· 智能系统学报 第10卷 3.2TE过程的故障诊断 的诊断结果。图5(a)为采用原始方法得出的诊断结 由于TE过程故障较多，本文只列举了几个典型果，排序概率仅为1.23%，图5(b)为采用新方法得出 的故障进行详细的讲述。 的诊断结果，排序概率已达100%。从图中可以明显 TE过程的一个典型故障时A/C进料比发生变发现，新的处理方法诊断的结果更加准确。 化、B组分不变（故障1），该故障类型为阶跃。从故 障数据可以观测到该故障的异常状态为E=X,2X7.2 11 X,1X0,2X2X14.2X,2X18,1X2.2Xn.2X9.2,其他X型变 4@ 量的状态是正常的。当这些异常状态的信号被输入 (a)原始方法，排序概率为1.23% 到DUCG后，DUCG的推理机将开始工作，所有不相 关或无意义的变量和因果关系都从DUCG中删除。 图4展示了故障1的推理结果。在图4中，浅灰色表 示变量的状态为高，深灰色表示变量的状态为低（不 19 同颜色代表的不同状态可以查阅DUCG的变量列 (b)新方法，排序概率为100% 表)，从图中可以很容易地理解故障1的推理结果。 图5故障14的诊断结果 Fig.5 The fault diagnosis result of fault 14 3.4诊断结果 DUCG可以清晰地描述故障的传递过程，如图6 ②+②9 所示。在t,时刻，DUCG接收到了异常状态X4,2和 17 X2.1;根据这2个异常状态，推理机给出了如图6(a)》 图4故障诊断结果 的推理结果：B。当这2个状态引起异常状态X.2发 Fig.4 The diagnosis result of TE process 生并输入到推理机后，DUCG转变成图6(b)所示的 推理结果。随着时间的进一步推移，DUCG的推理结 故障诊断的推理结果和预计一样是正确的，因为 果也如图6(c)~6(g)一样逐步展开，图6(g)便为包 只有B,能引起所有图中的异常状态。由于推理结果含了所有异常状态的最终展开结果。 中只有一个B型变量，B,是根据观测到的证据所得 到的惟一结果，B变量的先验概率及作用强度都可以 -14 忽略。 3.3震荡型故障的处理方法 (a)t,时刻诊断结果 TE过程的另一典型故障是反应器冷却水阀门粘 滞（故障14），该故障的故障数据呈震荡趋势。由于 原DUCG的采用的是只保留异常变量的初始状态这 12 一方法，在处理化工过程普遍存在的震荡型故障存在 (b)L2时刻诊断结果 着一些不足，无法准确推理出震荡故障的结果。针对 这一问题，本文对数据发送模块重新进行了编译，采 口2⑦@-四 用了五点计数法、将震荡当作一个异常状态来处理， 12 使诊断结果更加准确，更适用于化工系统。该方法设 (c)13时刻诊断结果 置检测到变量的状态为高的次数为a,检测到变量的 状态的低的次数为b,当a+b=5时，则令变量状态发 送模块发送出震荡状态。从最初的故障数据可以观 测到故障的异常状态为X1、X、X9,1,其余的变量 @ (d)t,时刻诊断结果 和因果关系被删除，经过一段时间后，震荡状态被检 测出来，故障的异常状态更新为X,5、X5、X95,并 口→@2⑦@ 输入到DUCG中得到新的诊断结果。此方法不仅适 @⑦①22 用于处理震荡故障，同时也可以处理阶跃等各种类型 (e)L,时刻诊断结果 的故障。图5展示了采用不同的处理方法对故障14

３．２ ＴＥ 过程的故障诊断 由于 ＴＥ 过程故障较多，本文只列举了几个典型 的故障进行详细的讲述。 ＴＥ 过程的一个典型故障时 Ａ／ Ｃ 进料比发生变 化、Ｂ 组分不变（故障 １），该故障类型为阶跃。 从故 障数据可以观测到该故障的异常状态为 Ｅ ＝ Ｘ１，２Ｘ７，２ Ｘ９，１Ｘ１０，２Ｘ１２，１Ｘ１４，２Ｘ１７，２Ｘ１８，１Ｘ２２，２Ｘ２７，２Ｘ２９，２ ，其他 Ｘ 型变 量的状态是正常的。 当这些异常状态的信号被输入 到 ＤＵＣＧ 后，ＤＵＣＧ 的推理机将开始工作，所有不相 关或无意义的变量和因果关系都从 ＤＵＣＧ 中删除。 图 ４ 展示了故障 １ 的推理结果。 在图 ４ 中，浅灰色表 示变量的状态为高，深灰色表示变量的状态为低（不 同颜色代表的不同状态可以查阅 ＤＵＣＧ 的变量列 表），从图中可以很容易地理解故障 １ 的推理结果。 图 ４ 故障诊断结果 Ｆｉｇ． ４ Ｔｈｅ ｄｉａｇｎｏｓｉｓ ｒｅｓｕｌｔ ｏｆ ＴＥ ｐｒｏｃｅｓｓ 故障诊断的推理结果和预计一样是正确的，因为 只有 Ｂ１能引起所有图中的异常状态。 由于推理结果 中只有一个 Ｂ 型变量，Ｂ１是根据观测到的证据所得 到的惟一结果，Ｂ 变量的先验概率及作用强度都可以 忽略。 ３．３ 震荡型故障的处理方法 ＴＥ 过程的另一典型故障是反应器冷却水阀门粘 滞（故障 １４），该故障的故障数据呈震荡趋势。 由于 原 ＤＵＣＧ 的采用的是只保留异常变量的初始状态这 一方法，在处理化工过程普遍存在的震荡型故障存在 着一些不足，无法准确推理出震荡故障的结果。 针对 这一问题，本文对数据发送模块重新进行了编译，采 用了五点计数法、将震荡当作一个异常状态来处理， 使诊断结果更加准确，更适用于化工系统。 该方法设 置检测到变量的状态为高的次数为 ａ，检测到变量的 状态的低的次数为 ｂ，当 ａ＋ｂ ＝ ５ 时，则令变量状态发 送模块发送出震荡状态。 从最初的故障数据可以观 测到故障的异常状态为 Ｘ９，１ 、Ｘ１１，１ 、Ｘ１９，１ ，其余的变量 和因果关系被删除，经过一段时间后，震荡状态被检 测出来，故障的异常状态更新为 Ｘ９，５ 、 Ｘ１１，５ 、 Ｘ１９，５ ，并 输入到 ＤＵＣＧ 中得到新的诊断结果。 此方法不仅适 用于处理震荡故障，同时也可以处理阶跃等各种类型 的故障。 图 ５ 展示了采用不同的处理方法对故障 １４ 的诊断结果。 图 ５（ａ）为采用原始方法得出的诊断结 果，排序概率仅为 １．２３％，图 ５（ｂ）为采用新方法得出 的诊断结果，排序概率已达 １００％。 从图中可以明显 发现，新的处理方法诊断的结果更加准确。 （ａ）原始方法，排序概率为 １．２３％ （ｂ）新方法，排序概率为 １００％ 图 ５ 故障 １４ 的诊断结果 Ｆｉｇ． ５ Ｔｈｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｒｅｓｕｌｔ ｏｆ ｆａｕｌｔ １４ ３．４ 诊断结果 ＤＵＣＧ 可以清晰地描述故障的传递过程，如图 ６ 所示。 在 ｔ １时刻，ＤＵＣＧ 接收到了异常状态 Ｘ１４， ２ 和 Ｘ１２， １ ；根据这 ２ 个异常状态，推理机给出了如图 ６（ａ） 的推理结果：Ｂ１ 。 当这 ２ 个状态引起异常状态 Ｘ７，２发 生并输入到推理机后，ＤＵＣＧ 转变成图 ６（ ｂ）所示的 推理结果。 随着时间的进一步推移，ＤＵＣＧ 的推理结 果也如图 ６（ｃ） ～６（ｇ）一样逐步展开，图 ６（ｇ）便为包 含了所有异常状态的最终展开结果。 （ａ）ｔ １时刻诊断结果 （ｂ）ｔ ２时刻诊断结果 （ｃ）ｔ ３时刻诊断结果 （ｄ）ｔ ４时刻诊断结果 （ｅ）ｔ ５时刻诊断结果 ·３５８· 智 能 系 统 学 报 第 １０ 卷

第3期 曲彦光，等：动态不确定因果图在化工系统动态故障诊断中的应用 ·359· 142+(⑦-②⑦ 29 率如图8所示，也达到了100%。 16 (f)。时刻诊断结果 ① (a)t,时刻诊断结果 (b),时刻诊断结果 图8故障16诊断结果 Fig.8 The fault diagnosis result of fault 16 1 22→29 不仅是上述3个故障，其余的17个故障也取得了 不错的诊断结果，所有故障的排序概率如表3所示。 07 表3TE过程排序概率 (g)t,时刻诊断结果 图6故障14的诊断结果 Table 3 Rank Probability of TE process Fig.6 The fault diagnosis result of fault 14 故障序号排序概率/%故障序号排序概率/% 100 11 96.85 DUCG不仅能展示故障随着时间的发展逐步展 2 100 12 100 开的过程，随着更多证据的输入，DUCG推理出的结 94.77 13 100 果也越来越精确。由于故障1具有唯一的推理结果， 97.28 100 这一过程未在上述结果中体现出来。因此图7中故 5 80 15 100 障14的推理过程展示了推理结果随证据增加更加精 6 100 16 100 确的过程。在震荡过程被检测到之前，由于在故障初 > 100 99.32 始B,与B4具有相同的故障特征，推理机给出的推理 8 100 18 100 结果为B,诊断概率如图7(a)所示仅为0.4%，随着 9 94.97 19 100 更多证据的输入，震荡状态被检测出来并输入到推理 10 100 20 100 机，诊断概率就如图7(d)所示上升至100%。 表4故障诊断结果 Table 4 The diagnosis results of TE process 4 诊断正确概率/% 故障序号 DUCG BN (a)L1时刻诊断结果，排序概率为0.4% 1 100 97.5 2 100 98.12 回 3 100 22 14 4 100 82.37 (b)t,时刻诊断结果，排序概率为0.99% 5 100 98 6 100 100 11 +19 7 100 100 8 100 97 14 9 100 22.62 (c)t,时刻诊断结果，排序概率为1.23% 10 100 86.87 11 100 75.5 12 100 98.25 13 100 76.12 14 100 98.75 (d)时刻诊断结果，排序概率为100% 15 100 23.5 图7故障14的传递过程 16 100 80.62 17 Fig.7 The transfer process of fault 14 100 85 18 100 68.5 DUCG在知识不完备的情况下也可取得良好的 19 100 96.12 诊断结果。TE过程的故障16为未知故障，其排序概 20 100 87.37

（ｆ）ｔ ６时刻诊断结果 （ｇ）ｔ ７时刻诊断结果 图 ６ 故障 １４ 的诊断结果 Ｆｉｇ． ６ Ｔｈｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｒｅｓｕｌｔ ｏｆ ｆａｕｌｔ １４ ＤＵＣＧ 不仅能展示故障随着时间的发展逐步展 开的过程，随着更多证据的输入，ＤＵＣＧ 推理出的结 果也越来越精确。 由于故障 １ 具有唯一的推理结果， 这一过程未在上述结果中体现出来。 因此图 ７ 中故 障 １４ 的推理过程展示了推理结果随证据增加更加精 确的过程。 在震荡过程被检测到之前，由于在故障初 始 Ｂ１１与 Ｂ１４具有相同的故障特征，推理机给出的推理 结果为 Ｂ１１ ，诊断概率如图 ７（ａ）所示仅为 ０．４％，随着 更多证据的输入，震荡状态被检测出来并输入到推理 机，诊断概率就如图 ７（ｄ）所示上升至 １００％。 （ａ）ｔ １时刻诊断结果， 排序概率为 ０．４％ （ｂ）ｔ ２时刻诊断结果， 排序概率为 ０．９９％ （ｃ）ｔ ３时刻诊断结果， 排序概率为 １．２３％ （ｄ）ｔ ４时刻诊断结果， 排序概率为 １００％ 图 ７ 故障 １４ 的传递过程 Ｆｉｇ． ７ Ｔｈｅ ｔｒａｎｓｆｅｒ ｐｒｏｃｅｓｓ ｏｆ ｆａｕｌｔ １４ ＤＵＣＧ 在知识不完备的情况下也可取得良好的 诊断结果。 ＴＥ 过程的故障 １６ 为未知故障，其排序概 率如图 ８ 所示，也达到了 １００％。 图 ８ 故障 １６ 诊断结果 Ｆｉｇ． ８ Ｔｈｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｒｅｓｕｌｔ ｏｆ ｆａｕｌｔ １６ 不仅是上述 ３ 个故障，其余的 １７ 个故障也取得了 不错的诊断结果，所有故障的排序概率如表 ３ 所示。 表 ３ ＴＥ 过程排序概率 Ｔａｂｌｅ ３ Ｒａｎｋ Ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ＴＥ ｐｒｏｃｅｓｓ 故障序号 排序概率／ ％ 故障序号 排序概率／ ％ １ １００ １１ ９６．８５ ２ １００ １２ １００ ３ ９４．７７ １３ １００ ４ ９７．２８ １４ １００ ５ ８０ １５ １００ ６ １００ １６ １００ ７ １００ １７ ９９．３２ ８ １００ １８ １００ ９ ９４．９７ １９ １００ １０ １００ ２０ １００ 表 ４ 故障诊断结果 Ｔａｂｌｅ ４ Ｔｈｅ ｄｉａｇｎｏｓｉｓ ｒｅｓｕｌｔｓ ｏｆ ＴＥ ｐｒｏｃｅｓｓ 故障序号 诊断正确概率／ ％ ＤＵＣＧ ＢＮ １ １００ ９７．５ ２ １００ ９８．１２ ３ １００ ２２ ４ １００ ８２．３７ ５ １００ ９８ ６ １００ １００ ７ １００ １００ ８ １００ ９７ ９ １００ ２２．６２ １０ １００ ８６．８７ １１ １００ ７５．５ １２ １００ ９８．２５ １３ １００ ７６．１２ １４ １００ ９８．７５ １５ １００ ２３．５ １６ １００ ８０．６２ １７ １００ ８５ １８ １００ ６８．５ １９ １００ ９６．１２ ２０ １００ ８７．３７ 第 ３ 期 曲彦光，等：动态不确定因果图在化工系统动态故障诊断中的应用 ·３５９·

·360. 智能系统学报 第10卷 每一个故障的排序概率为该故障数据的概率分[4]REPPA V,TZES A.Fault detection and diagnosis based on 布，一般情况下，可以认为正确故障的概率分布大于 parameter set estimation[J].IET Control Theory and Appli- 50%时（排在第一位），则诊断结果正确。所有故障 cations,2011,5(1):69-83. 诊断结果与贝叶斯网络诊断结果[I6)对比如表4所[S]DARWISH H A,TAALAB A MI,KAWADY T A.Develop- 示。从结果看出DUCG针对20个故障的诊断都取得 ment and implementation of an ANN-based fault diagnosis 了正确的结果，所有故障的排序概率均高于50%，诊 scheme for generator winding protection[J].IEEE Transac- 断正确概率均达到100%：与贝叶斯网络诊断结果相 tions on Power Delivery,2001,16(2):208-214. 比，DUCG诊断正确概率都要优于贝叶斯网络，尤其[6]MOREIRA M P,SANTOS L T B,VELLASCO MM B R. 是故障3、9、15及18的诊断结果，DUCG要远远优于 Power transformers diagnosis using neural networks[C]//In- 贝叶斯网络。 ternational Joint Conference on Neural Networks.Orlando, USA,2007:1929-1934. 4结束语 [7]FERRACUTI F,GIANTOMASSI A.LONGHI S,et al. 本文将DUCG用于化工系统的故障诊断，以TE Multi-scale PCA based fault diagnosis on a paper mill plant 过程作为实验对象，针对化工系统特性重新编译了 [C]//2011 IEEE Conference on Emerging Technologies DUCG数据发送模块，调整构建了包含54个变量的 Factory Automation.Toulouse,France,2011:1-8 TE过程知识库，并取得了不错的故障诊断效果。 [8]ZHAO XX,YUN Y X.A fault diagnosis method combined 通过分析实验结果，可以发现DUCG理论在故 fuzzy logic with CMAC neural network for power transformers 障诊断领域的优势：I)DUCG可以随着时间的变化而 [C]//Chinese Conference on Pattern Recognition.Nanjing, 变化，清晰地展示故障的传递过程。2)DUCG可以实 China,2009:1-5. 现实时的故障诊断，其实时性对实际的化工过程有着 [9]LAU C K,CHOSH K.HUSSAIN MA,et al.Fault diagnosis 重要的意义。3)可以将系统拆分由不同的领域专家 of Tennessee Eastman process with multi-scale PCA and AN- 建立子DUCG,这样不仅有助于简化大型复杂系统的 FIS[J].Chemometrics and Intelligent Laboratory Systems, 2013,120:1-14. 建立，同时也使构建的DUCG系统更加精确。作为 一种基于知识的理论，DUCG也存在着一些缺点，例 []KARIMI I.SALAHSHOOR K.A new fault detection and di- 如依赖于专家知识等。目前DUCG动态诊断方法基 agnosis approach for a distillation column based on a com- bined PCA and ANFIS scheme C]//2012 24th Chinese 于每个时间片的化简DUCG都包含真实故障的假 Control and Decision Conference.Taiyuan,China,2012: 设。这对建造DUCG知识库提出了很高的要求。针 3408-3413. 对这一缺点，一种新的称为立体DUCG的算法正在 [11]CHEN X Y,YAN X F.Using improved self-organizing map 开发当中。 for fault diagnosis in chemical industry process[J].Chemi- 参考文献： cal Engineering Research and Design,2012,90(12): 2262-2277. [1]ABDULGHAFOUR M,EL-GANAL M A.A fuzzy logic sys- [12]DONG C L,WANG Y J,ZHANG Q,et al.The methodolo- tem for analog fault diagnosis[C]//1996 IEEE International gy of dynamic uncertain causality graph for intelligent diag- Symposium on Circuits and Systems.Atlanta,USA,1996: nosis of vertigo[]].Computer Methods and Programs in Bio- 97-100. medicine,2014.113(1):162.174. [2]ICHALAL D,MARX B.RAGOT J.et al.An approach for [13]ZHANG Qin,DONG Chunling,CUI Yan,et al.Dynamic the state estimation of Takagi-Sugeno models and application uncertain causality graph for knowledge representation and to sensor fault diagnosis[C]//Proceedings of the 48th IEEE probabilistic reasoning:statistics base,matrix,and applica- Conference on Decision and Control,Jointly with the 28th tion[J].IEEE Transactions on Neural Networks and Learn- Chinese Control Conference.Shanghai,China,2009:7789- ing System,2014,25(4):645-663. 7794. [14]杨佳婧，张勤，朱群雄.动态不确定因果图在化工过程 [3]BACHIR S,TNANI S,TRIGEASSOU J C,et al.Diagnosis 故障诊断中的应用[J].智能系统学报，2014,9(2)： by parameter estimation of stator and rotor faults occurring in 154-160 induction machines J.IEEE Transactions on Industrial E- YANG Jiajing,ZHANG Qin,ZHU Qunxiong.Application of lectronics,2006.53(3):963-973 dynamic uncertain causality graph to fault diagnosis in chem-

每一个故障的排序概率为该故障数据的概率分 布，一般情况下，可以认为正确故障的概率分布大于 ５０％时（排在第一位），则诊断结果正确。 所有故障 诊断结果与贝叶斯网络诊断结果［１６］ 对比如表 ４ 所 示。 从结果看出 ＤＵＣＧ 针对 ２０ 个故障的诊断都取得 了正确的结果，所有故障的排序概率均高于 ５０％，诊 断正确概率均达到 １００％；与贝叶斯网络诊断结果相 比，ＤＵＣＧ 诊断正确概率都要优于贝叶斯网络，尤其 是故障 ３、９、１５ 及 １８ 的诊断结果，ＤＵＣＧ 要远远优于 贝叶斯网络。 ４ 结束语 本文将 ＤＵＣＧ 用于化工系统的故障诊断，以 ＴＥ 过程作为实验对象，针对化工系统特性重新编译了 ＤＵＣＧ 数据发送模块，调整构建了包含 ５４ 个变量的 ＴＥ 过程知识库，并取得了不错的故障诊断效果。 通过分析实验结果，可以发现 ＤＵＣＧ 理论在故 障诊断领域的优势：１）ＤＵＣＧ 可以随着时间的变化而 变化，清晰地展示故障的传递过程。 ２）ＤＵＣＧ 可以实 现实时的故障诊断，其实时性对实际的化工过程有着 重要的意义。 ３）可以将系统拆分由不同的领域专家 建立子 ＤＵＣＧ，这样不仅有助于简化大型复杂系统的 建立，同时也使构建的 ＤＵＣＧ 系统更加精确。 作为 一种基于知识的理论，ＤＵＣＧ 也存在着一些缺点，例 如依赖于专家知识等。 目前 ＤＵＣＧ 动态诊断方法基 于每个时间片的化简 ＤＵＣＧ 都包含真实故障的假 设。 这对建造 ＤＵＣＧ 知识库提出了很高的要求。 针 对这一缺点，一种新的称为立体 ＤＵＣＧ 的算法正在 开发当中。 参考文献： ［１］ＡＢＤＵＬＧＨＡＦＯＵＲ Ｍ， ＥＬ⁃ＧＡＮＡＬ Ｍ Ａ． Ａ ｆｕｚｚｙ ｌｏｇｉｃ ｓｙｓ⁃ ｔｅｍ ｆｏｒ ａｎａｌｏｇ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ［Ｃ］ ／ ／ １９９６ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ． Ａｔｌａｎｔａ， ＵＳＡ， １９９６： ９７⁃１００． ［２］ＩＣＨＡＬＡＬ Ｄ， ＭＡＲＸ Ｂ， ＲＡＧＯＴ Ｊ， ｅｔ ａｌ． Ａｎ ａｐｐｒｏａｃｈ ｆｏｒ ｔｈｅ ｓｔａｔｅ ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｔａｋａｇｉ⁃Ｓｕｇｅｎｏ ｍｏｄｅｌｓ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｓｅｎｓｏｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ４８ｔｈ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄｅｃｉｓｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ， Ｊｏｉｎｔｌｙ ｗｉｔｈ ｔｈｅ ２８ｔｈ Ｃｈｉｎｅｓｅ Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ． Ｓｈａｎｇｈａｉ， Ｃｈｉｎａ， ２００９： ７７８９⁃ ７７９４． ［３］ＢＡＣＨＩＲ Ｓ， ＴＮＡＮＩ Ｓ， ＴＲＩＧＥＡＳＳＯＵ Ｊ Ｃ， ｅｔ ａｌ． Ｄｉａｇｎｏｓｉｓ ｂｙ ｐａｒａｍｅｔｅｒ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｓｔａｔｏｒ ａｎｄ ｒｏｔｏｒ ｆａｕｌｔｓ ｏｃｃｕｒｒｉｎｇ ｉｎ ｉｎｄｕｃｔｉｏｎ ｍａｃｈｉｎｅｓ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｄｕｓｔｒｉａｌ Ｅ⁃ ｌｅｃｔｒｏｎｉｃｓ， ２００６， ５３（３）： ９６３⁃９７３． ［４］ＲＥＰＰＡ Ｖ， ＴＺＥＳ Ａ． Ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｄｉａｇｎｏｓｉｓ ｂａｓｅｄ ｏｎ ｐａｒａｍｅｔｅｒ ｓｅｔ ｅｓｔｉｍａｔｉｏｎ［ Ｊ］． ＩＥＴ Ｃｏｎｔｒｏｌ Ｔｈｅｏｒｙ ａｎｄ Ａｐｐｌｉ⁃ ｃａｔｉｏｎｓ， ２０１１， ５（１）： ６９⁃８３． ［５］ＤＡＲＷＩＳＨ Ｈ Ａ， ＴＡＡＬＡＢ Ａ Ｍ Ｉ， ＫＡＷＡＤＹ Ｔ Ａ． Ｄｅｖｅｌｏｐ⁃ ｍｅｎｔ ａｎｄ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ａｎ ＡＮＮ⁃ｂａｓｅｄ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｓｃｈｅｍｅ ｆｏｒ ｇｅｎｅｒａｔｏｒ ｗｉｎｄｉｎｇ ｐｒｏｔｅｃｔｉｏｎ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃ⁃ ｔｉｏｎｓ ｏｎ Ｐｏｗｅｒ Ｄｅｌｉｖｅｒｙ， ２００１， １６（２）： ２０８⁃２１４． ［６］ ＭＯＲＥＩＲＡ Ｍ Ｐ， ＳＡＮＴＯＳ Ｌ Ｔ Ｂ， ＶＥＬＬＡＳＣＯ Ｍ Ｍ Ｂ Ｒ． Ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒｓ ｄｉａｇｎｏｓｉｓ ｕｓｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｃ］ ／ ／ Ｉｎ⁃ ｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ． Ｏｒｌａｎｄｏ， ＵＳＡ， ２００７： １９２９⁃１９３４． ［７ ］ ＦＥＲＲＡＣＵＴＩ Ｆ， ＧＩＡＮＴＯＭＡＳＳＩ Ａ， ＬＯＮＧＨＩ Ｓ， ｅｔ ａｌ． Ｍｕｌｔｉ⁃ｓｃａｌｅ ＰＣＡ ｂａｓｅｄ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｎ ａ ｐａｐｅｒ ｍｉｌｌ ｐｌａｎｔ ［Ｃ］ ／ ／ ２０１１ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｍｅｒｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ ＆ Ｆａｃｔｏｒｙ Ａｕｔｏｍａｔｉｏｎ． Ｔｏｕｌｏｕｓｅ， Ｆｒａｎｃｅ， ２０１１： １⁃８． ［８］ＺＨＡＯ Ｘ Ｘ， ＹＵＮ Ｙ Ｘ． Ａ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｅｔｈｏｄ ｃｏｍｂｉｎｅｄ ｆｕｚｚｙ ｌｏｇｉｃ ｗｉｔｈ ＣＭＡＣ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒｓ ［Ｃ］ ／ ／ Ｃｈｉｎｅｓｅ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｎａｎｊｉｎｇ， Ｃｈｉｎａ， ２００９： １⁃５． ［９］ＬＡＵ Ｃ Ｋ， ＧＨＯＳＨ Ｋ， ＨＵＳＳＡＩＮ Ｍ Ａ， ｅｔ ａｌ． Ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ Ｔｅｎｎｅｓｓｅｅ Ｅａｓｔｍａｎ ｐｒｏｃｅｓｓ ｗｉｔｈ ｍｕｌｔｉ⁃ｓｃａｌｅ ＰＣＡ ａｎｄ ＡＮ⁃ ＦＩＳ［ Ｊ］． Ｃｈｅｍｏｍｅｔｒｉｃｓ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｌａｂｏｒａｔｏｒｙ Ｓｙｓｔｅｍｓ， ２０１３， １２０： １⁃１４． ［１０］ＫＡＲＩＭＩ Ｉ， ＳＡＬＡＨＳＨＯＯＲ Ｋ． Ａ ｎｅｗ ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｄｉ⁃ ａｇｎｏｓｉｓ ａｐｐｒｏａｃｈ ｆｏｒ ａ ｄｉｓｔｉｌｌａｔｉｏｎ ｃｏｌｕｍｎ ｂａｓｅｄ ｏｎ ａ ｃｏｍ⁃ ｂｉｎｅｄ ＰＣＡ ａｎｄ ＡＮＦＩＳ ｓｃｈｅｍｅ ［ Ｃ］ ／ ／ ２０１２ ２４ｔｈ Ｃｈｉｎｅｓｅ Ｃｏｎｔｒｏｌ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ． Ｔａｉｙｕａｎ， Ｃｈｉｎａ， ２０１２： ３４０８⁃３４１３． ［１１］ＣＨＥＮ Ｘ Ｙ， ＹＡＮ Ｘ Ｆ． Ｕｓｉｎｇ ｉｍｐｒｏｖｅｄ ｓｅｌｆ⁃ｏｒｇａｎｉｚｉｎｇ ｍａｐ ｆｏｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｉｎ ｃｈｅｍｉｃａｌ ｉｎｄｕｓｔｒｙ ｐｒｏｃｅｓｓ［ Ｊ］． Ｃｈｅｍｉ⁃ ｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｓｉｇｎ， ２０１２， ９０ （ １２ ）： ２２６２⁃２２７７． ［１２］ＤＯＮＧ Ｃ Ｌ， ＷＡＮＧ Ｙ Ｊ， ＺＨＡＮＧ Ｑ， ｅｔ ａｌ． Ｔｈｅ ｍｅｔｈｏｄｏｌｏ⁃ ｇｙ ｏｆ ｄｙｎａｍｉｃ ｕｎｃｅｒｔａｉｎ ｃａｕｓａｌｉｔｙ ｇｒａｐｈ ｆｏｒ ｉｎｔｅｌｌｉｇｅｎｔ ｄｉａｇ⁃ ｎｏｓｉｓ ｏｆ ｖｅｒｔｉｇｏ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｍｅｔｈｏｄｓ ａｎｄ Ｐｒｏｇｒａｍｓ ｉｎ Ｂｉｏ⁃ ｍｅｄｉｃｉｎｅ， ２０１４， １１３（１）： １６２⁃１７４． ［１３］ＺＨＡＮＧ Ｑｉｎ， ＤＯＮＧ Ｃｈｕｎｌｉｎｇ， ＣＵＩ Ｙａｎ， ｅｔ ａｌ． Ｄｙｎａｍｉｃ ｕｎｃｅｒｔａｉｎ ｃａｕｓａｌｉｔｙ ｇｒａｐｈ ｆｏｒ ｋｎｏｗｌｅｄｇｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ａｎｄ ｐｒｏｂａｂｉｌｉｓｔｉｃ ｒｅａｓｏｎｉｎｇ： ｓｔａｔｉｓｔｉｃｓ ｂａｓｅ， ｍａｔｒｉｘ， ａｎｄ ａｐｐｌｉｃａ⁃ ｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ａｎｄ Ｌｅａｒｎ⁃ ｉｎｇ Ｓｙｓｔｅｍｓ， ２０１４， ２５（４）： ６４５⁃６６３． ［１４］杨佳婧， 张勤， 朱群雄． 动态不确定因果图在化工过程 故障诊断中的应用［ Ｊ］． 智能系统学报， ２０１４， ９ （ ２）： １５４⁃１６０． ＹＡＮＧ Ｊｉａｊｉｎｇ， ＺＨＡＮＧ Ｑｉｎ， ＺＨＵ Ｑｕｎｘｉｏｎｇ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｄｙｎａｍｉｃ ｕｎｃｅｒｔａｉｎ ｃａｕｓａｌｉｔｙ ｇｒａｐｈ ｔｏ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｉｎ ｃｈｅｍ⁃ ·３６０· 智 能 系 统 学 报 第 １０ 卷

第3期 曲彦光，等：动态不确定因果图在化工系统动态故障诊断中的应用 ·361 ical processes[J].CAAI Transactions on Intelligent Sys- 张勤，男，1956年生，教授，博士生导 tems,2014,9(2):154-160. 师，博士，主要研究方向为动态不确定因 [15]ZHANG Qin.Dynamic uncertain causality graph for knowl- 果图理论及应用、系统可靠性评价与管 edge representation and reasoning:discrete DAG cases[J]. 理、知识产权理论及应用等。任国际原 Journal of Computer Science and Technology,2012,27 子能机构《与安全有关的专家系统》中方 (1):1-23. 课题负责人，中国人工智能学会不确定 [16]VERRON S,TIPLICA T,KOBI A.Monitoring of complex 性人工智能专业委员会主任。 processes with Bayesian networks[M]//REBAI A.Bayesian Network.Rijeka,Croatia:Sciyo,2010:213-228. 朱群雄，男，1960年生，教授，博士生 作者简介： 导师，博士，主要研究方向为智能建模与 曲彦光，男，1990年生，硕士研究生， 优化、数据挖掘与故障诊断。主持完成国 主要研究方向为动态不确定因果图及故 家自然科学基金、国家“863”计划、省部级 障诊断。 科研和企业工程项目20余项，获省部级 科技进步一等奖2项、二等奖1项，发明 专利和国家软件著作权10余项，发表学术论文200余篇。 第30届人工智能会议 The Thirtieth AAAI Conference on Artificial Intelligence (AAAI-16) February 12-17,2016,Phoenix,Arizona USA The Thirtieth AAAI Conference on Artificial Intelligence (AAAI-16)will be held February 12-17 at the Phoenix Conven- tion Center,Phoenix,Arizona,USA.Please note the alternate day pattern for AAAI-16.The workshop,tutorial,and doc- toral consortium programs will be held Friday and Saturday,February 12 and 13,followed by the technical program,Sun- day through Wednesday (at noon),February 14-17. The chairs of AAAI-16 are Dale Schuurmans (University of Alberta)and Michael Wellman University of Michigan). The purpose of the AAAI conference is to promote research in artificial intelligence(AI)and scientific exchange among AI researchers,practitioners,scientists,and engineers in affiliated disciplines.AAAI-16 will have a diverse technical track, student abstracts,poster sessions,invited speakers,tutorials,workshops,and exhibit and competition programs,all se- lected according to the highest reviewing standards.AAAI-16 welcomes submissions on mainstream AI topics as well as no- vel crosscutting work in related areas. Timetable for Authors: July 1,2015-September 10,2015:Authors register on the AAAI web site September 10,2015:Electronic abstracts due September 15,2015:Electronic papers due October 28-30,2015:Author feedback about initial reviews November 12,2015:Notification of acceptance or rejection December 1,2015:Camera-ready copy due Website:http://www.aaai.org/Conferences/AAAl/aaai16.php

ｉｃａｌ ｐｒｏｃｅｓｓｅｓ ［ Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓ⁃ ｔｅｍｓ， ２０１４， ９（２）： １５４⁃１６０． ［１５］ ＺＨＡＮＧ Ｑｉｎ． Ｄｙｎａｍｉｃ ｕｎｃｅｒｔａｉｎ ｃａｕｓａｌｉｔｙ ｇｒａｐｈ ｆｏｒ ｋｎｏｗｌ⁃ ｅｄｇｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ａｎｄ ｒｅａｓｏｎｉｎｇ： ｄｉｓｃｒｅｔｅ ＤＡＧ ｃａｓｅｓ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０１２， ２７ （１）： １⁃２３． ［１６］ＶＥＲＲＯＮ Ｓ， ＴＩＰＬＩＣＡ Ｔ， ＫＯＢＩ Ａ． Ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｃｏｍｐｌｅｘ Ｎｅｔｗｏｒｋ． Ｒｉｊｅｋａ， Ｃｒｏａｔｉａ： Ｓｃｉｙｏ， ２０１０： ２１３⁃２２８． 作者简介： 曲彦光，男，１９９０ 年生，硕士研究生， 主要研究方向为动态不确定因果图及故 障诊断。 果图理论及应用、 师，博士， 张勤，男，１９５６ 年生，教授，博士生导 主要研究方向为动态不确定因 系统可靠性评价与管 理、知识产权理论及应用等。 任国际原 子能机构《与安全有关的专家系统》中方 课题负责人， ｐｒｏｃｅｓｓｅｓ ｗｉｔｈ Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋｓ［Ｍ］ ／ ／ ＲＥＢＡＩ Ａ． Ｂａｙｅｓｉａｎ 朱群雄，男，１９６０ 年生，教授，博士生 导师，博士，主要研究方向为智能建模与 优化、数据挖掘与故障诊断。 主持完成国 家自然科学基金、国家“８６３”计划、省部级 科研和企业工程项目 ２０ 余项，获省部级 科技进步一等奖 ２ 项、二等奖 １ 项，发明 专利和国家软件著作权 １０ 余项，发表学术论文 ２００ 余篇。 第 ３０ 届人工智能会议 Ｔｈｅ Ｔｈｉｒｔｉｅｔｈ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ （ＡＡＡＩ⁃１６） Ｆｅｂｒｕａｒｙ １２－１７， ２０１６， Ｐｈｏｅｎｉｘ， Ａｒｉｚｏｎａ ＵＳＡ Ｔｈｅ Ｔｈｉｒｔｉｅｔｈ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ （ＡＡＡＩ⁃１６） ｗｉｌｌ ｂｅ ｈｅｌｄ Ｆｅｂｒｕａｒｙ １２－１７ ａｔ ｔｈｅ Ｐｈｏｅｎｉｘ Ｃｏｎｖｅｎ⁃ ｔｉｏｎ Ｃｅｎｔｅｒ， Ｐｈｏｅｎｉｘ， Ａｒｉｚｏｎａ， ＵＳＡ． Ｐｌｅａｓｅ ｎｏｔｅ ｔｈｅ ａｌｔｅｒｎａｔｅ ｄａｙ ｐａｔｔｅｒｎ ｆｏｒ ＡＡＡＩ⁃１６． Ｔｈｅ ｗｏｒｋｓｈｏｐ， ｔｕｔｏｒｉａｌ， ａｎｄ ｄｏｃ⁃ ｔｏｒａｌ ｃｏｎｓｏｒｔｉｕｍ ｐｒｏｇｒａｍｓ ｗｉｌｌ ｂｅ ｈｅｌｄ Ｆｒｉｄａｙ ａｎｄ Ｓａｔｕｒｄａｙ， Ｆｅｂｒｕａｒｙ １２ ａｎｄ １３， ｆｏｌｌｏｗｅｄ ｂｙ ｔｈｅ ｔｅｃｈｎｉｃａｌ ｐｒｏｇｒａｍ， Ｓｕｎ⁃ ｄａｙ ｔｈｒｏｕｇｈ Ｗｅｄｎｅｓｄａｙ （ａｔ ｎｏｏｎ）， Ｆｅｂｒｕａｒｙ １４－１７． Ｔｈｅ ｃｈａｉｒｓ ｏｆ ＡＡＡＩ⁃１６ ａｒｅ Ｄａｌｅ Ｓｃｈｕｕｒｍａｎｓ （Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｌｂｅｒｔａ） ａｎｄ Ｍｉｃｈａｅｌ Ｗｅｌｌｍａｎ （Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍｉｃｈｉｇａｎ）． Ｔｈｅ ｐｕｒｐｏｓｅ ｏｆ ｔｈｅ ＡＡＡＩ ｃｏｎｆｅｒｅｎｃｅ ｉｓ ｔｏ ｐｒｏｍｏｔｅ ｒｅｓｅａｒｃｈ ｉｎ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ （ＡＩ） ａｎｄ ｓｃｉｅｎｔｉｆｉｃ ｅｘｃｈａｎｇｅ ａｍｏｎｇ ＡＩ ｒｅｓｅａｒｃｈｅｒｓ， ｐｒａｃｔｉｔｉｏｎｅｒｓ， ｓｃｉｅｎｔｉｓｔｓ， ａｎｄ ｅｎｇｉｎｅｅｒｓ ｉｎ ａｆｆｉｌｉａｔｅｄ ｄｉｓｃｉｐｌｉｎｅｓ． ＡＡＡＩ⁃１６ ｗｉｌｌ ｈａｖｅ ａ ｄｉｖｅｒｓｅ ｔｅｃｈｎｉｃａｌ ｔｒａｃｋ， ｓｔｕｄｅｎｔ ａｂｓｔｒａｃｔｓ， ｐｏｓｔｅｒ ｓｅｓｓｉｏｎｓ， ｉｎｖｉｔｅｄ ｓｐｅａｋｅｒｓ， ｔｕｔｏｒｉａｌｓ， ｗｏｒｋｓｈｏｐｓ， ａｎｄ ｅｘｈｉｂｉｔ ａｎｄ ｃｏｍｐｅｔｉｔｉｏｎ ｐｒｏｇｒａｍｓ， ａｌｌ ｓｅ⁃ ｌｅｃｔｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｈｉｇｈｅｓｔ ｒｅｖｉｅｗｉｎｇ ｓｔａｎｄａｒｄｓ． ＡＡＡＩ⁃１６ ｗｅｌｃｏｍｅｓ ｓｕｂｍｉｓｓｉｏｎｓ ｏｎ ｍａｉｎｓｔｒｅａｍ ＡＩ ｔｏｐｉｃｓ ａｓ ｗｅｌｌ ａｓ ｎｏ⁃ ｖｅｌ ｃｒｏｓｓｃｕｔｔｉｎｇ ｗｏｒｋ ｉｎ ｒｅｌａｔｅｄ ａｒｅａｓ． Ｔｉｍｅｔａｂｌｅ ｆｏｒ Ａｕｔｈｏｒｓ： ◇ Ｊｕｌｙ １， ２０１５－Ｓｅｐｔｅｍｂｅｒ １０， ２０１５： Ａｕｔｈｏｒｓ ｒｅｇｉｓｔｅｒ ｏｎ ｔｈｅ ＡＡＡＩ ｗｅｂ ｓｉｔｅ ◇ Ｓｅｐｔｅｍｂｅｒ １０， ２０１５： Ｅｌｅｃｔｒｏｎｉｃ ａｂｓｔｒａｃｔｓ ｄｕｅ ◇ Ｓｅｐｔｅｍｂｅｒ １５， ２０１５： Ｅｌｅｃｔｒｏｎｉｃ ｐａｐｅｒｓ ｄｕｅ ◇ Ｏｃｔｏｂｅｒ ２８－３０， ２０１５： Ａｕｔｈｏｒ ｆｅｅｄｂａｃｋ ａｂｏｕｔ ｉｎｉｔｉａｌ ｒｅｖｉｅｗｓ ◇ Ｎｏｖｅｍｂｅｒ １２， ２０１５： Ｎｏｔｉｆｉｃａｔｉｏｎ ｏｆ ａｃｃｅｐｔａｎｃｅ ｏｒ ｒｅｊｅｃｔｉｏｎ ◇ Ｄｅｃｅｍｂｅｒ １， ２０１５： Ｃａｍｅｒａ⁃ｒｅａｄｙ ｃｏｐｙ ｄｕｅ Ｗｅｂｓｉｔｅ： ｈｔｔｐ： ／ ／ ｗｗｗ．ａａａｉ．ｏｒｇ ／ Ｃｏｎｆｅｒｅｎｃｅｓ／ ＡＡＡＩ／ ａａａｉ１６．ｐｈｐ 第 ３ 期 曲彦光，等：动态不确定因果图在化工系统动态故障诊断中的应用 ·３６１· 中国人工智能学会不确定 性人工智能专业委员会主任