·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