基于SDG的大规模复杂系统半定量故障诊断研究

本项目针对大规模复杂系统变量多、结构复杂的特点，以符号有向图（SDG）模型为工具，采用递阶分布结构方式，描述系统变量之间定性的因果影响关系，揭示故障在系统中的传播规律，进而对故障进行深层推理，实现大规模复杂系统的故障诊断。但考虑这种基于定性知识的故障诊断可能存在虚假解，本项目进一步提出将定量数据和定性知识结合起来，从建模和推理两个层面予以补充和改进，形成一种半定量的故障诊断方法。本项目的主要研究内容包括：基于数学模型和历史数据的SDG模型构建方法，以及在SDG模型描述框架下的系统动态特性；对用SDG模型描述的残差形式进行设计，构造结构残差和方向性残差，通过相似度来判断故障类型；利用混合动态贝叶斯网络理论，将故障描述成离散变量，通过概率推理，求解SDG模型描述框架下的系统故障模式。本项目研究成果将推动SDG模型在故障诊断中的应用。

本项目进展顺利，针对大规模复杂系统的故障诊断问题，从建模方法和推理方法两个角度展开研究，取得了新的结果。研究成果在仿真和实际的发电机组、化工过程等对象上进行了应用验证，取得了良好效果。共发表（含录用）论文23篇，被SCI检索6篇，被EI检索10篇，另有SCI源刊3篇、EI源3篇，也将被检索。. 针对因果拓扑模型，在模型描述、模型结构多渠道获取方面探索得到新的成果。(1)完善了SDG（signed directed graph）模型的递阶描述框架，构建了控制系统的描述方法，分析了其动态特性，在发电机组的建模和分析上得到了应用；(2)通过对历史数据的挖掘，基于在假设时延基础上的相关性分析、基于信息传递的传递熵分析、Granger因果性分析以及频域分析等，提取变量之间的因果关系，应用于化工过程，取得了良好的效果；(3)利用语义网的知识表达（RDF/OWL语言），实现过程知识的标准化表示，可进行连接关系基础上的推理，并与过程数据相结合而互相验证，有利于提高模型的准确性。. 针对故障诊断问题，提出或改进了若干半定量的故障诊断方法。(1)针对复杂工业过程中无故障知识（即无故障模型和故障情况历史数据）的情况，提出了在诊断推理阶段将定性有向图与多元统计过程监控相结合的混合诊断方法，发挥了定性、定量模型各自的优势，更容易保证结果的准确性；(2)利用SDG模型所提供的结构信息，构造基于结构残差和方向性残差的故障诊断方法，实现多故障源诊断；(3)为综合表征系统中普遍存在的不确定性和结构信息，研究了基于混合动态贝叶斯网络的故障诊断方法，通过状态估计而实现多故障源诊断；(4)利用自适应顺序形态变换将一个检测信号在不同监督信号下变换为不同的信号，然后以变换信号对监督信号的误差作为可识别特征进行特征分类，实现了方法的特征识别机制构建，提出了第I种基于自适应顺序形态变换分类的故障诊断方法，基于动态时间规整技术，提出了第II种基于自适应顺序形态变换分类的故障诊断方法；(5)利用经验模态分解和非负矩阵分解，提出了一种基于功率谱密度基变换的故障诊断方法，并应用于实际滚动轴承故障的诊断问题。. 此外，探索了SDG在报警管理领域的应用。利用SDG设计因果报警策略，通过逻辑组合或者通路搜索来生成报警，提高报警效率；根据因果关系判断报警间的相关性，进而优化高低报警阈值以体现该关系。