基于因果关系挖掘的工业过程故障根源诊断方法

本发明属于工业过程故障诊断领域，具体说是一种基于因果关系挖掘的工业过程故障根源诊断方法。

背景技术：

1、随着工业化和信息化的深度融合，现代工业过程(如钢铁、有色、石化等)正朝着高效、智能、集成化方向发展。上述工业过程的连续不间断运行使得任一单元或子系统发生故障都可能会通过物质流、能量流、信息流在不同系统层级间传播并演变演化，影响生产过程的稳定运行和最终的产品质量。其原料成分、运行工况和关键质量指标等无法在线测量或智能感知，使得工业过程故障诊断成为一个综合而又复杂的问题。因此，围绕实现制造强国的战略目标，通过合理的故障诊断技术保障工业过程的高质、高效运行成为国家制造业可持续发展中的一项重要内容，将对抑制产品质量下降、最大限度发挥流程运行潜力具有重要的战略意义，已经成为当前工业过程控制领域的研究热点，具有重要的理论价值和广阔的工程应用前景。

2、故障根源诊断技术一般先进行故障检测，故障隔离，其后对隔离出的故障相关变量进行因果关系挖掘，根据得到的因果关系图来定位故障根源。而目前的因果关系挖掘技术主要分为三种，基于约束关系的方法(constrain-based)，基于分数的方法(score-based)，和基于优化的方法(optimization-based)。其中在小规模因果图挖掘中，constrain-based方法准确率较高，在时序数据因果关系挖掘中得到了大量的应用。

3、然而，目前现有的基于pc算法的瞬时条件独立检测算法(pcmci)，隐变量增强的pcmci(lpcmci)等方法，存在着由于在判断直接因果关系时，使用的条件变量数量较多，导致因果关系挖掘精度不足的问题。另一方面现有方法在判断间接因果关系时，由于目标变量的原因变量过多，导致信息信噪比过大，使得待判定相关性难以检测。为解决上述问题，本发明提出了一种迭代时序因果关系挖掘方法，提高了因果关系挖掘精度。

技术实现思路

1、本发明提供一种基于因果关系挖掘的工业过程故障根源诊断方法。首先对工业过程数据进行故障检测，故障隔离，然后故障相关变量进行因果关系挖掘，最后得到故障根源。对于故障相关变量的因果关系挖掘，本发明提出了迭代条件变量筛选法解决了现有方法因条件变量过多或不足引起的相关性检测精度下降问题。我们首先将因果关系挖掘分为直接因果与间接因果挖掘，并通过根据当前因果图选择与待判定因果关系相关路径上的目标结点的父亲结点作为条件变量来提升直接因果关系的挖掘精度。再通过遍历目标结点的所有父亲结点集合的子集作为条件变量，来提高间接因果的挖掘精度。最后反复迭代上述步骤，来获取真实的因果图。通过上述方法，我们提高了时序数据因果关系挖掘精度，以此提高工业过程故障根源诊断精度。

2、本发明为实现上述目的所采用的技术方案是：

3、一种基于因果关系挖掘的工业过程故障根源诊断方法，包括如下步骤：

4、步骤1、采集工业过程变量数据，进行预处理；

5、步骤2、对数据进行核主成分分析故障检测，判断是否为故障数据；

6、步骤3、若是则进行故障隔离操作，得到故障相关变量；

7、步骤4、对故障相关变量进行因果关系挖掘，获取因果图；

8、步骤5、因果图中选取无父亲结点变量作为根源故障，用于提供给工业场景进行预警。

9、所述预处理为数据标准化。

10、所述判断是否为故障数据是将预处理后数据进行核主成分分析故障检测后与工业过程变量数据无故障值比较得到的。

11、所述故障隔离操作为通过贡献度计算获取变量间的故障相关性。

12、所述因果关系挖掘为：通过循环迭代计算故障相关变量间的转移熵，判断各故障相关变量间是否具备有向因果关系，生成因果图。

13、所述因果关系挖掘包括以下步骤：

14、步骤4-1、a.任取两个有序变量对；定义一个为原因变量，一个为目标变量；

15、b.计算原因变量到目标变量的转移熵(te)；

16、c.若高于间接原因阈值h_indirect，则标注为原因变量到目标变量存在有向因果关系，原因变量为目标变量的父节点；

17、d.生成因果图；

18、步骤4-2、a.基于当前因果图，对目标变量的所有父亲变量的集合的子集进行遍历，作为条件变量；

19、b.计算原因变量与目标变量的条件转移熵；

20、c.若高于间接原因补充阈值h_indirect_sec且该有向因果未经过步骤4-1判断为有向因果关系，则补充标注为存在有向因果关系；

21、d.生成因果图；

22、步骤4-3、a.基于当前因果图，搜索所有路径并剪枝得到路径集合；

23、b.以目标变量的父亲结点集合作为条件变量，计算条件熵；

24、c.若低于直接原因阈值h_direct，则将原因变量到目标变量的因果关系标注取消；

25、d.生成因果图；

26、步骤4-4、返回步骤4-1对故障相关变量中的每一对变量执行4-1到4-3；

27、步骤4-5、重复4-4，并每次循环后更新因果图，直至多次迭代后因果图无变化。

28、所述因果关系相关的路径是通过深度优先搜索获取的。

29、本发明具有以下有益效果及优点：

30、一种基于因果关系挖掘的工业过程故障根源诊断方法。本发明在时序因果关系挖掘方面与现有最优方法相比，在直接因果关系判定上，选择了更少的条件变量，提升了直接因果关系挖掘精度，在间接因果关系判定上，选择了更少的条件变量，提升了间接因果关系挖掘精度。并且本方法是迭代算法，具备可以在较短的时间内输出可用结果的优势。

技术特征：

1.一种基于因果关系挖掘的工业过程故障根源诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于因果关系挖掘的工业过程故障根源诊断方法，其特征在于，所述预处理为数据标准化。

3.根据权利要求1所述的基于因果关系挖掘的工业过程故障根源诊断方法，其特征在于，所述判断是否为故障数据是将预处理后数据进行核主成分分析故障检测后与工业过程变量数据无故障值比较得到的。

4.根据权利要求1所述的基于因果关系挖掘的工业过程故障根源诊断方法，其特征在于，所述故障隔离操作为通过贡献度计算获取变量间的故障相关性。

5.根据权利要求1所述的基于因果关系挖掘的工业过程故障根源诊断方法，其特征在于，所述因果关系挖掘为：通过循环迭代计算故障相关变量间的转移熵，判断各故障相关变量间是否具备有向因果关系，生成因果图。

6.根据权利要求1或5所述的基于因果关系挖掘的工业过程故障根源诊断方法，其特征在于，所述因果关系挖掘包括以下步骤：

7.根据权利要求6所述的基于因果关系挖掘的工业过程故障根源诊断方法，其特征在于，所述因果关系相关的路径是通过深度优先搜索获取的。

技术总结本发明提供一种基于因果关系挖掘的工业过程故障根源诊断方法。通过对工业过程数据进行故障检测，故障隔离，故障相关变量进行因果关系挖掘，最后得到故障根源。首先将因果关系挖掘分为直接因果与间接因果挖掘，并通过根据当前因果图选择与待判定因果关系相关路径上的目标结点的父亲结点作为条件变量来提升直接因果关系的挖掘精度。再通过遍历目标结点的所有父亲结点集合的子集作为条件变量，来提高间接因果的挖掘精度。最后反复迭代上述步骤，来获取真实的因果图。本发明提出了迭代条件变量筛选法，解决了现有方法因条件变量过多或不足引起的相关性检测精度下降问题。通过本发明提高了时序数据因果关系挖掘精度，提高了工业过程故障根源诊断精度。技术研发人员：李帅,王梓行,周晓锋,潘福成,史海波受保护的技术使用者：中国科学院沈阳自动化研究所技术研发日：技术公布日：2024/6/13