基于SDG模型的故障诊断技术

基于SDG模型的故障诊断技术作者：梁美丽来源：《无线互联科技》2013年第11期摘要：本文介绍了基于符号有向图（Signed Directed Graph）模型的故障诊断技术的原理，包括SDG模型中节点和支路的物理意义，SDG模型的建模方法，推理机制以及利用SDG 模型进行故障诊断的步骤。

详细阐述了SDG故障诊断技术的发展过程和各阶段的进展。

最后，分析了SDG故障诊断的优缺点及其改进方法。

关键词：自动控制技术；故障诊断；符号有向图现代工业生产的机械设备正朝着大型化、复杂化、高速化、系统化、自动化和大功率方向发展，生产系统本身的规模越来越大，性能指标越来越高，机械结构也日趋复杂，对设备运行的安全性和可靠性提出了越来越高的要求，故障诊断技术也显得日趋重要，它是大型装备或复杂工业系统安全、可靠、稳定运行的技术保障。

故障诊断技术已从早期的个体专家依靠感官获取设备的状态信息，并凭借经验做出直接判断，发展到采用人工智能方法和理论的智能化故障诊断技术和系统。

近年来，美国普渡大学的Venkatasubramanian，V.教授更为准确地将故障诊断方法分为三类：①基于定量模型的方法；②基于定性模型的方法；③基于历史数据的方法。

现有的故障检测和诊断方法中，图论方法是非常具有实用价值的一种。

其中符号有向图的方法取得了很大进展。

符号有向图（Signed Directed Graph，SDG）模型是从DG模型（包括故障传播图、认知图和过程图等）发展而来的，它是对过程及其设备的一种图式抽象，其节点和有向边都有比较明确的物理意义。

故障诊断主要是故障的检测、分离和处理，而基于SDG模型的故障诊断能够利用SDG模型节点和有向边的表示能力快速地检测和有效地定位，成为基于定性模型的故障诊断方法的重要一支。

1 SDG模型SDG模型中的节点可以表示过程系统中的物理变量，如流量、液位、温度、压力等；操作变量，如阀门、开关等以及相关的仪表，如控制器、变送器等；此外，还可以表示一种事件，如管道泄露、电源中断等等。

CHEMICAL INDUSTRY AND ENGINEERING PROGRESS 2016年第35卷第5期·1344·化 工 进 展基于复杂网络理论的符号有向图（SDG ）化工故障诊断王政1，孙锦程1，王迎春1，姜英1，贾小平2，王芳2（1青岛科技大学化工学院，山东 青岛266042；2青岛科技大学环境与安全工程学院，山东 青岛266042） 摘要：化工过程系统的大型化和复杂性，仅通过常规方式来描述故障机理越来越受到限制。

本文以流程图建模法构建的符号有向图（signed directed graph ，SDG ）故障模型为基础，将化工过程系统抽象为网络拓扑结构，通过对网络模型的统计特征描述，判断网络的复杂性、小世界性和无标度性，进而以复杂网络中心性理论定量计算网络中各个节点的重要性，分析比较各指标来确定网络中的核心节点，并通过Capocci 算法对网络进行社团结构的定量划分，最后以网络中的核心节点确定化工过程中易引起安全事故的关键变量，并用社团划分的结果绘制出化工故障诊断模型的关键路径，确定重点监测部位。

案例应用结果表明：该方法可行，为化工过程系统中故障节点和监测提供了新的解决思路，丰富了化工过程故障诊断和预防控制的相关理论。

关键词：化工流程；SDG ；复杂网络；故障诊断中图分类号：X 92 文献标志码：A 文章编号：1000–6613（2016）05–1344–09 DOI ：10.16085/j.issn.1000-6613.2016.05.013Research on chemical process signed directed graph(SDG) fault diagnosisbased on complex networkWANG Zheng 1，SUN Jincheng 1，WANG Yingchun 1，JIANG Ying 1，JIA Xiaoping 2，WANG Fang 2（1College of Chemical Engineering ，Qingdao University of Science and Technology ，Qingdao 266042，Shandong ，China ；2College of Environment and Safety Engineering ，Qingdao University of Science and Technology ，Qingdao266042，Shandong ，China ）Abstract ：C hemical process systems are large scale and complex. It was limited to describe the fault only through conventional model. This paper based on the SDG （signed directed graph ）fault model which constructed with flow modeling method and made the chemical process system abstract the network topology. We described the network model statistical characteristics and judged the network characteristic of complexity ，small world and scale-free. The centrality theory was used to quantitatively calculate the importance of each node in the network. Then, those indexes compared to determine the core node in the network, as well as the community with the Capocci algorithm for network structure quantitatively. Finally, we used the core node of the network to determine the chemical process key variables that easy to cause safety accidents. The result of the community partition maps out the protected path for the chemical fault model. The key monitoring area was identified. Results showed that the proposed method can find the fault nodes of chemical process system and the place that need to be monitored and controlled ，which can then be used as a support in fault diagnosis and preventive controls.Key words ：chemical process ；signed directed graph ；complex network ；fault diagnosis第一作者及联系人：王政（1968—），男，博士，副教授，硕士生导师。

动态概率sdg模型及复杂化工过程故障诊断方法研究近年来，随着行业的发展和技术的进步，复杂诊断技术得到了广泛的应用，其中动态概率sdg模型及其复杂过程故障诊断方法成为研究热点。

sdg模型是一种可以展示故障情况的模型，它可以在复杂工业过程中，通过对多种变量以及其关系的计算，诊断故障原因，有效改善了维护费用和安全状态。

并且，sdg模型还可以帮助企业发现隐藏的故障或风险，从而使企业更有效地进行管理和控制。

本文将讨论sdg模型及其复杂过程故障诊断方法的理论原理及其应用研究。

首先，介绍sdg模型的构造原理，理解sdg模型如何模拟复杂过程中的故障情况；其次，介绍sdg模型在复杂过程故障诊断方法中的应用，分析故障可能的原因；再次，介绍故障诊断方法的应用案例，及其优缺点，探讨sdg模型的未来应用前景。

sdg模型是一种具有概率特征的模型，它可以基于故障产生的不同概率来表征和诊断故障。

sdg模型是模拟复杂过程的多种变量间的关系，通过构建一组独特的概率分布，来模拟复杂过程中的故障情况，从而实现故障诊断。

首先，过静态拓扑图，把复杂过程中的变量、控制参数、外部输入以及复杂关系等系统参数描述出来，然后利用动力学分析有效地求解复杂系统的动态行为，最后，把模型扩展到动态概率模型，以表征故障情况的发生概率。

sdg模型的应用可以让企业更高效地分析过程中的故障，并采取有效的控制措施，进而降低企业的维护成本和提高安全性。

比如，利用sdg模型可以进行系统控制策略的优化，可以预测系统可能出现的故障，也可以在一定程度上减轻系统的风险。

值得注意的是，sdg模型只能针对单个系统进行故障诊断，对于多系统间的协同工作并不能很好地支持，因此，sdg模型在实际应用中还需要进行改进，以更好地支持复杂系统的诊断工作。

以上，就是有关sdg模型及其复杂过程故障诊断方法的综述。

sdg 模型的应用可以很好地支持复杂过程中的故障诊断，具有很强的实用性，但仍有待进一步发展和改进，而今后，sdg模型应用于复杂过程故障诊断方法的前景也是可期的。

动态概率sdg模型及复杂化工过程故障诊断方法研究近年来，复杂的过程工程技术在工业生产中得到应用，解决了许多复杂的问题。

然而，这种复杂的工程技术也带来了新的问题，比如故障诊断。

故障诊断是指检测和识别过程中发生的故障，并分析故障的原因，对故障原因进行处理，以保证过程的有效可靠性。

因此，如何准确快速地进行故障诊断成为当前研究的重点。

为了解决复杂过程故障诊断问题，研究人员逐渐采用动态概率sdg模型来模拟复杂过程故障诊断。

动态概率sdg模型是一种基于概率网络技术的动态诊断模型，可以对复杂过程中可能发生的故障进行有效的模拟和诊断。

该模型可以通过建立不同故障情况的状态概率网络模型，然后进行模拟计算，实现对复杂过程中的可能故障情况的准确诊断。

此外，研究人员还研究了基于动态概率sdg模型的复杂过程故障诊断方法。

在实践中，他们首先建立复杂过程的状态概率网络模型，然后进行状态概率网络模型的分析，最后利用复杂过程的状态概率网络模型计算出该复杂过程中可能出现的故障组合。

据此，进行故障诊断，检测出该复杂过程中可能出现的故障组合，并根据分析结果进行故障处理，进而解决复杂过程故障诊断问题。

动态概率sdg模型及复杂过程故障诊断方法都是复杂过程故障诊断领域内最先进最有效的方法。

然而，目前还存在一些问题，例如，缺乏一个有效的状态概率网络模型建模方法，以及有效的故障诊断方法和实现方法，以充分发挥其功效。

因此，对于动态概率sdg模型及复杂化工过程故障诊断方法研究，应该进一步深入探讨，制定一些新的模型和方法，以实现有效的复杂过程故障诊断。

本研究将利用数据挖掘技术，对复杂过程故障数据进行分析，进而建立有效的复杂过程故障诊断模型。

同时将采用机器学习方法，利用现有的复杂过程故障数据，建立一个有效的故障诊断系统，以更有效地识别和处理复杂过程中可能出现的故障。

值得一提的是，动态概率sdg模型及复杂过程故障诊断方法也可以用于提高复杂过程的可靠性，使过程工艺更加有效。

《基于粒计算的SDG故障诊断关键问题研究》一、引言随着现代工业的快速发展，复杂系统的故障诊断变得越来越重要。

SDG（符号有向图）作为一种有效的建模工具，在故障诊断领域得到了广泛的应用。

然而，传统的SDG故障诊断方法在处理大规模、高复杂度的系统时，面临着计算效率低、诊断精度差等问题。

为了解决这些问题，本文提出基于粒计算的SDG故障诊断方法，以研究其关键问题，并进一步提高故障诊断的效率和准确性。

二、粒计算的基本概念与原理粒计算是一种将问题分解为粒度不同的子问题，通过粒度的划分和组合来解决问题的计算方法。

在SDG故障诊断中，粒计算可以将复杂的系统分解为多个粒度适当的子系统，从而降低问题的复杂度。

粒计算的基本原理包括粒度的划分、粒度的描述、粒度的组合和粒度的优化。

三、基于粒计算的SDG故障诊断方法基于粒计算的SDG故障诊断方法，首先将SDG模型划分为多个粒度适当的子图，然后对每个子图进行故障诊断。

通过粒度的划分，可以降低每个子图的复杂度，提高计算效率。

同时，通过对多个子图的诊断结果进行综合分析，可以获得更准确的故障诊断结果。

四、关键问题研究在基于粒计算的SDG故障诊断中，关键问题主要包括：1. 粒度划分方法：如何将SDG模型划分为适当的粒度是提高诊断效率的关键。

需要考虑系统的结构、功能、故障模式等因素，以确定合适的粒度划分方法。

2. 诊断算法优化：为了提高诊断精度和效率，需要研究优化诊断算法。

这包括如何快速准确地判断故障发生的位置和原因，以及如何综合多个子图的诊断结果。

3. 粒度组合策略：在得到各个子图的诊断结果后，需要研究如何将这些结果有效地组合起来，以获得更准确的诊断结果。

这需要考虑各个子图之间的关联性和互补性。

4. 诊断结果的可视化与交互：为了方便用户理解和使用诊断结果，需要研究将诊断结果进行可视化和交互的方法。

这包括如何将复杂的SDG模型和诊断结果以直观的方式呈现给用户，以及如何实现用户与系统的交互操作。

基于SDG的智能故障诊断方法研究
刘洪刚;吴建军;陈小前;刘伟强;陈启智
【期刊名称】《系统工程与电子技术》
【年(卷),期】2002(024)001
【摘要】提出了一种基于符号有向图(signed directed graph, SDG)的智能故障诊断方法,其基本思想是通过分别建立系统及其部件所对应的SDG,并将此SDG对应于需诊断的故障模式进行化简,然后将建立的诊断规则库用逻辑运算进行扩充,形成系统的诊断规则库.诊断时通过将系统变量的定量取值简化为定性值,并应用所建立的规则进行比较,得到最后的定性诊断结果.
【总页数】3页(P103-104,109)
【作者】刘洪刚;吴建军;陈小前;刘伟强;陈启智
【作者单位】国防科技大学航天与材料工程学院研究生队,湖南,长沙,410073;国防科技大学航天与材料工程学院研究生队,湖南,长沙,410073;国防科技大学航天与材料工程学院研究生队,湖南,长沙,410073;国防科技大学航天与材料工程学院研究生队,湖南,长沙,410073;国防科技大学航天与材料工程学院研究生队,湖南,长
沙,410073
【正文语种】中文
【中图分类】TP27
【相关文献】
1.基于层次分析法的SDG-HAZOP方法研究及其应用 [J], 陈存银
2.基于动态SDG模型的间歇过程HAZOP方法研究 [J], 许兰娟;周江涛;曹青
3.基于SDG-QTA的一回路冷却剂系统故障诊断方法研究 [J], 杨光;钟小军
4.基于分层SDG的航空发动机燃油系统故障诊断方法研究 [J], 杨康;李洁;张可;陈桑桑
5.基于SDG的压缩机故障诊断方法研究 [J], 聂银燕;林晓焕
因版权原因，仅展示原文概要，查看原文内容请购买。

基于模糊分层SDG模型的故障推理方法杨恒占;张可;钱富才【摘要】针对传统SDG模型诊断方法存在的诊断分辨率低、速度慢、效率低等不足,提出了一种基于模糊分层SDG模型的故障推理方法.首先建立系统的SDG模型,并进行分层;再利用模糊变量表示节点变量,用条件概率表表达节点间的定性因果关系;最后利用贝叶斯推理和回溯搜索找出故障源候选集,并对候选解进行排序.应用提出的方法,进行了某型号航空发动机燃油调节系统故障诊断,结果表明该方法能够提高诊断的分辨率和效率,诊断结果准确而且完备.%Aiming at the shortcomings of traditional SDG model diagnostic, such as low resolution, slow speed and low efficiency, this paper proposes a fault reasoning method based on fuzzy hierarchical SDG model. Firstly, build system's SDG model, and then layer. Using fuzzy variable to represent node variables, we express qualitative causal relationship by conditional probability table between nodes. Finally we use Bayesian inference and backtracking search to find out fault source candidates, and sort candidate solutions. By using the proposed method, the fault diagnosis of certain type aircraft engine fuel control system is carried out, and the results show that the method can improve the resolution and efficiency of diagnosis, the diagnosis results are accurate and complete.【期刊名称】《计算机系统应用》【年(卷),期】2017(026)004【总页数】6页(P104-109)【关键词】故障诊断;SDG模型;贝叶斯推理;模糊分层【作者】杨恒占;张可;钱富才【作者单位】西安工业大学电子信息工程学院,西安 710021;西安理工大学自动化与信息工程学院,西安 710048;西安工业大学电子信息工程学院,西安 710021;西安理工大学自动化与信息工程学院,西安 710048;西安卫星测控中心航天器在轨故障诊断与维修重点实验室,西安 710043【正文语种】中文杨恒占1,2, 张可1, 钱富才2,31(西安工业大学电子信息工程学院, 西安710021)2(西安理工大学自动化与信息工程学院, 西安 710048)3(西安卫星测控中心航天器在轨故障诊断与维修重点实验室, 西安 710043)故障诊断是当前工业、军事等领域日益重要的一个研究内容. 随着系统复杂程度的越来越高, 以及自动化程度的快速发展, 系统故障率也随之升高. 利用先进的故障诊断技术对系统进行诊断, 不仅可以有效排除系统故障, 而且可以防止重大事故的发生, 避免人员伤亡及经济损失. 目前故障诊断包括定性、半定量和定量三种模型. 定性模型属于基于深层知识的方法, 具有能够识别某未知故障、克服知识获取瓶颈等独有的优点, 是复杂系统故障诊断较为的理想方法,基于SDG(Signed Directed Graph, SDG)模型的故障诊断就是一种深层知识的故障诊断方法[1].SDG模型由Shiozaki等人提出, 它反应了复杂系统变量之间的内在因果关系及影响, 具有良好的自解释性和完备性, 应用于工业领域安全评估和故障诊断中, 取得了巨大的进展[2,3]. 在国内, 基于SDG模型的故障诊断方法也得到了一定的研究. 例如, 龙兵等提出的采用多信号模型进行故障诊断方法[4,5]; 安若铭等利用结构抽象法建立基于功能单元的分层诊断技术[6,7].但应用SDG模型进行故障源推理时, 容易出现“组合爆炸”现象, 产生多义性, 严重影响了诊断结果的分辨率和效率[8,9]. 因此, 如何解决传统 SDG 模型诊断方法存在的这些问题, 是目前相关研究的一个热点[10,11].本文在现有SDG模型故障诊断方法基础上, 将模糊理论和分层思想引入SDG模型中, 形成模糊分层SDG模型. 模糊量的引入使故障诊断的分辨率提高, 分层思想的引入使故障源搜索空间缩小, 诊断效率提高. 应用该方法能够解决SDG模型的诊断过程中出现的故障分辨率低、搜索空间大、效率低等诊断问题, 为检修人员提供准确检修信息. 最后通过某航空发动机燃油调节系统的故障诊断实例验证了所提出方法的有效性.模糊分层SDG模型建模思路如下: 首先建立系统的SDG模型, 利用分层方法进行分层; 再根据系统所处工作状态的不同, 采用模糊语言值描述节点的模糊变量取值, 各节点之间的定性因果关系采用条件概率表(Conditional Probability Table, CPT)来表示; 最后通过回溯搜索和贝叶斯推理找出故障源候选解的集合,并对候选解进行排序.1.1 SDG模型基于SDG模型的分析方法是根据系统结构原理建立系统SDG模型, 对系统进行故障诊断. 选取合适的参数作为节点; 建立从给定的故障节点开始的SDG模型; 利用存贮在SDG模型上的已知信息, 通过故障推理方法获得故障源候选集合, 从而对系统的故障原因做出有效识别.定义1. SDG模型G的精确数学模型表示如下:式中: 集合V={vi|vi为测试节点}; 集合E={ei,j|节点vi指向vj的有向边}; 函数φ:φ(ei,j)(ei,j∈E,φ→{+,-}), 为支路ei,j的符号,各支路节点间的正、反作用分别用“+”和“-”表示.定义2. 所有节点当前符号的集合称为SDG模型G的样本值,函数φ:φ(vi)(vi∈V,φ→{+,0,-}),称为节点vi的符号. 即:式中:Y为vi的测试值;Y为vi的期望值; ε为vi处于正常状态的阈值. “1”代表节点的测试值超过了正常阈值, 节点故障; “-1”代表节点的测试值在正常阈值之下, 节点故障; “0”代表节点的测试值在正常阈值内,节点正常.如图1所示为SDG模型的节点、有向边示意图,图中的SDG模型有三个节点A、B、C和两个有向边、AC.AB上的“+”代表A对B的影响作用为正,即A的值增大会导致B的值也增大, A的值减小会导致B的值也减小;AC上的“-”代表A对C的影响作用为负, 即A的值增大会导致C的值减小, A的值减小会导致C的值增大.1.2 分层方法分层SDG模型是对系统的故障传播进行分层次的描述, 表示了故障源的层次, 也就是说任一节点故障只能传播到本层和比本层更低层的节点, 而不会影响到高层的节点, 从而使故障源搜索空间减小, 使可候选故障源减少, 诊断效率提高.定义3. SDG模型的先行集和可达集分别用A和R表示: A由所有能够到达vi的节点组成, R由所有从vi到达的节点组成.定义4. 分层SDG模型GF的数学模型表示如下:式中: 集合VF={vh|vh为第h层所有节点}, h为节点的层数; 函数ψ:ψ(eh,h+1)(eh,h+1∈EF,, 各支路节点间的正、反作用分别用“+”和“-”表示; 集合EF=为第h层和h+1层节点间的所有有向边}.采用基于可达性的分层方法[12], 具体步骤为:步骤1. 对每个节点寻找可达集R和先行集A .步骤2. 分别计算R和A的交集, 对于交集与A相同的节点vi就是第1层的节点. 第1层节点的集合可以表示为:步骤3 除去所有已经确定层次的节点, 再除去与这些节点相连的有向边, 就会产生一个新的SDG模型.对该新SDG模型的所有节点重复步骤1和2, 分别计算第2到h层的节点集合, 直到对所有节点进行分层.第h层节点集可以表示为:采用以上步骤, 某SDG模型的分层如图2所示.1.3 模糊分层SDG模型在大规模的系统中, 故障之间的关系复杂, 加上不可测量节点的存在和测量噪声的影响, 导致系统变量的测量不准确. 因此, 本文采用模糊量表示这一不确定性, 使故障诊断的分辨率提高. 根据系统所处工作状态的不同, 采用模糊语言值描述节点的模糊变量取值. 一种模糊语言值与一个模糊子集相对应, 模糊子集能够反映所处的不同工作状态和系统变量的大小,使得更多的定量信息包含于系统节点中.定义5. 模糊分层SDG模型GM的精确数学模型表示如下:式中:vm为模糊变量. 根据节点所处工作状态的不同,假设系统的模糊变量取3个模糊语言值, 即{低,正常,高}={L, M, H}; λ为各模糊子集所对应的隶属度函数, λ={,,}; A 为节点v的父集, 即先行集; R为节点v的子集, 即可达集; T为节点v的条件概率表CPT, 表达了节点v与其父节点之间的概率因果关系,是贝叶斯推理的前提条件.定义7. 支路EM的数学模型表示如下:式中: vm和vn分别为EM的起始和终止节点; Wm,n为vm和vn的故障传播权重, Wm,n∈[0,1], 表示支路传播故障能力的大小, 根据系统原理和实际运行经验得出; C为故障传播介质, 即两变量之间相互作用部件的集合.由定义5、6和7所描述的模型即为模糊分层SDG模型. 该模型的建立步骤如下: 步骤1. 选取合适的系统参数作为节点, 确定节点间的故障影响关系, 建立SDG模型.步骤2. 对步骤1的SDG模型进行分层处理.步骤3. 若SDG模型中存在环路, 则需对其进行化简, 打开环路; 若SDG模型中不存在环路, 则跳过步骤3, 直接进行步骤4. 开环方法如下: 若v1,v2,…,vk-1,vk构成环路, 其中vk为受控节点, 则可以增加一个复制了vk信息的节点vk+1, 以此将环路在vk处打开, 这样从v1,v2,…,vk-2,vk-1到vk+1便成为有向无环图.步骤4. 按照定义5、6和7对节点和有向边描述.故障推理是进行故障诊断的重要环节, 模糊分层SDG模型的故障推理就是判断是否为相容支路. 但是,对于有较高实时性要求的系统, 不能采用复杂性过高的推理算法. 因此本文采用贝叶斯概率推理算法来判断是否为相容支路, 寻找故障源候选集合. 本文中贝叶斯概率推理仅是对节点间的故障传播关系定性应.贝叶斯推理的基础是贝叶斯网络. 与贝叶斯网络的传统应用不同, 本文的系统模型中, CPT中的概率只有0和1两种, 表示的是节点之间的一种多态逻辑关系. 又由于非线性情况的存在, 简单的增量和减量定性关系不能完全反映这种情况. 因此, 本文通过CPT建立子节点与父节点间的故障逻辑关系.2.1 故障候选集合确定对于贝叶斯网络, 在已知CPT的情况下, 按照条件独立性假设可得到集合V的联合概率分布为:式中: parents(iv)为iv的所有父节点变量的一个取值.对于模糊分层SDG模型, 各节点集合为Vm=, E为概率已知的节点集合, Q为概率待求的节点集合, U为不可测的节点集合.在已知E和各节点CPT的情况下, 利用贝叶斯推理求Q中某一节点的后验条件概率, 如下所示:在系统含有不可测量节点的情况下, 贝叶斯推理也可以获得该节点的后验条件概率, 实现概率推理.由于要用贝叶斯推理结果来判断支路是否相容, 因此需要对传统判断相容支路的定义进行扩展, 本文采用的贝叶斯推理算法为成熟的连接树算法.定义8. 假设图3所示为系统的某一部分, 采集节点A运行数据, 并进行模糊量化处理. 根据其他可测量的证据节点的值, 通过连接树贝叶斯推理算法得到与节点A对应的各个模糊语言值的概率, 若已知模糊变量A的值与概率最大的模糊变量取值一致, 则指向节点A的所有支路为相容支路.图3 中, 若通过测量得到A对应的模糊变量A=H,而通过贝叶斯推理算法得到的结果为P(A=H)=0.7, P(A=M)=0.1, P(A=L)=0.2, 其中P(A=H)概率最大, 且A的取值与已知一致, 则根据定义8可知, EB→A和EC→A为相容边.2.2 故障可能性排序定义9. 故障可能性为:式中: Wi,j为支路ei,j故障传播权重,F(C)为支路部件集C的故障概率. 计算故障源候选节点集合中各个故障源的Pw(C),对各故障源概率大小进行排序.综上所述, 基于模糊分层SDG模型故障推理方法进行故障诊断的具体步骤如下: 步骤1. 选取合适的系统参数作为节点, 确定节点间的故障影响关系, 按照定义1建立系统SDG模型.步骤2. 针对步骤1建立的SDG模型, 采用定义4里面的分层模型和分层方法, 进行分层处理(若存在环路, 需进行开环处理).步骤3. 根据定义6和定义7, 完成对节点和有向边的描述.步骤4. 采用定义8贝叶斯概率推理来判断是否为相容支路, 求出故障源候选集. 步骤5. 根据定义9, 通过计算各故障源的故障可能性大小, 对候选故障源的故障概率大小进行排序.下面, 采用本方法应用于航空发动机燃油调节系统进行实例分析.航空发动机燃油调节系统作为航空发动机的重要控制系统之一, 在系统中的作用尤为重要. 燃油调节系统要求诊断方法有很高的完备性和准确性, 但对于航空发动机这样的复杂系统而言, 缺少诊断经验, 故障样本不易得到, 适合采用本方法.通过对某型号航空发动机燃油调节系统原理分析,以及实际工作和工作经验的总结, 找出系统可测量的关键变量, 确定变量间的定性关系, 如表1所示为建模中确定采用的测量参数及相应的测试节点.MEC管道发生泄漏故障时, 导致PS12增大, 进而导致N1和N2均下降, PLA超前; TS滤网阻塞时, 导致TS增大, 进而导致N1和N2均增大, PLA滞后, VBV的开合角度偏小, VSV的开合角度偏大; TS氨气泄漏与TS滤网阻塞产生的结果相反, 即N1和N2均下降, PLA超前, VBV的开合角度偏大, VSV的开合角度偏小; CIT滤网阻塞时, 导致CIT上升, 进而造成VBV的开合角度偏大, VSV的开合角度偏小; CIT 氨气泄漏与CIT滤网阻塞产生的结果相反, 即CIT降低,进而造成VBV的开合角度偏小, VSV的开合角度偏大.因此, 应用上文提出的模型定义和建模方法, 建立燃油调节系统SDG模型如图4所示.对图4所示燃油调节系统SDG模型采用基于可达性的分层方法进行分层, 结果如图5所示. 由于此系统不存在环路, 因此无需进行开环处理.依据模糊SDG模型的概念, 分别描述图5中各节点和支路, 表2所示为模型中节点A1的模糊子集. 根据表2, 对其它可获得的节点变量值进行模糊量化处理, 使其变为模糊量. 表3所示为节点的CPT, 描述了A1与其父节点之间的故障逻辑关系.本例中, 首先假设故障“CIT滤网阻塞”, 该故障将导致节点A1偏大和节点S1偏小, 从而开始报警, 得到报警节点集合为T={A1, S1}. 其次, 从报警节点开始回溯搜索, 找出故障源. 取出报警节点A1, 位于分层SDG模型的第2层, 对其进行向上的回溯搜索, 搜索路径分别为: A1→T1和A1→T2, 通过贝叶斯概率推理仿真得出A1→T1为模糊不相容通路, 则根据上文的系统故障分析可知, “CIT滤网阻塞”为故障源; 取出报警节点S1, 位于分层SDG模型的第3层, 对其进行向上的回溯搜索, 因为A1已被搜索过, 所以搜索路径分别为: S1→P, S1→A2→T1, S1→A2→T2,S1→T1和S1→T2, 通过贝叶斯概率推理仿真得出A2→T2为模糊不相容通路, 则根据上文的系统故障分析可知, “TS氨气泄漏”为故障源. 综上得到故障源候选集合为{CIT滤网阻塞, TS氨气泄漏}. 最后, 假设WT1,A1=0.7, F(CIT) = 6%,WT2,A2=0.5, F(CIT) = 7%, 通过定义9得:根据故障可能性对故障源进行排序可知: CIT滤网阻塞＞TS氨气泄漏.根据诊断结果可以得知, 诊断系统不但实现了对先前预设故障“CIT滤网阻塞”的识别, 而且还识别出新的可能故障“TS氨气泄漏”. 这是因为在实际系统中,“TS 氨气泄漏”也可能产生同样的故障现象, 体现了很好的完备性; 分层思想的引入, 缩小了故障搜索空间,提高了诊断仿真效率. 表4所示为与传统SDG模型的诊断结果比较, 可以看出, 本文方法缩小了候选故障集, 提高了诊断分辨率.本文提出的基于模糊分层SDG模型的故障诊断方法, 通过贝叶斯推理判断是否为相容支路, 找出候选故障集, 对各故障源概率大小进行排序. 通过分层方法, 缩小了故障搜索空间, 提高了诊断效率; 采用模糊思想, 提高了诊断分辨率. 应用于某型号航空发动机燃油调节系统故障诊断, 分析结果表明, 该方法不但具有传统SDG模型故障诊断的完备性, 而且有效提高了诊断的分辨率, 诊断高效, 适用于复杂系统的故障诊断要求.1 刘鹏鹏,左洪福,苏艳,孙见忠.基于图论模型的故障诊断方法研究进展综述.中国机械工程,2013,24(5):696–702.2 Hiranmayee V, Vanket V. PCA-SDG based process monitoring and fault diagnosis. Control Engineering Practice, 1999, (7): 903–917.3 Hiranmayee V, Venkatasubramanian V, Maurya M, et al. A signed directed graph-based systematic frame work for steady-state malfunction diagnosis inside control loops. Chemical Engineering Science, 2006, 61(6): 1790–1810.4 龙兵,姜兴渭,宋政吉.基于多Agent卫星遥测数据实时监测与诊断技术.航空学报,2005,26(6):726–732.5 刘磊,龙兵,刘震.两种多故障诊断算法的性能比较研究.电子测量与仪器学报,2011,25(1):75–80.6 安若铭,姜兴渭,宋政吉.基于抽象的分层诊断技术应用研究.航空学报,2006,27(3):448–452.7 安若铭,高阳.基于分层神经网络的航天器故障诊断技术.航天器环境工程,2013,30(2):203–208.8 王伟,于达仁,赵辉,等.基于符号有向图模型的故障诊断方法.动力工程,2007,(5):736–741.9 曹文亮,王兵树,马良玉,等.基于SDG推理规则和定量分析的故障诊断技术.热能动力工,2005,(6):66–70.10 刘敏华.基于SDG模型的故障诊断及应用研究[博士学位论文].北京:淸华大学,2005.11 刘军强,王小磊,张马兰,等.基于改进符号有向图模型的发动机引气系统多故障诊断方法.航空动力学报,2015,30(2): 410–421.12 吕宁,熊智华,王雄.SDG故障诊断中的分层建模递阶推理方法.控制工程,2010,17(4):561–564.。

SDG方法阐述与分析
SDG（signed directed graph）方法即符号有向图方法是基于模型的定性方法，描述过程系统的物理关系，建立个设备变量、过程变量之间的定性关系，模型易于修改更新用于化工过程故障预警、诊断方面。

1、基于SDG方法的故障诊断
其采用带符号的有向图来描述复杂系统，通过SDG图上的已知信息搜寻产生下游节点发生扰动的可能故障源。

上图为3节点因果图反应SDG基本原理ABC三个系统可测变量的节点通过支路连接有向支路代表节点之间的关系，实线表示初始对于结果有正影响虚线为减量关系。

通过对相容通路的向下推理可以判断出下游节点的变化趋势，对潜在故障点进行预测，同理反向推理可以预测出故障源
2、时序过程片段提取
时序过程片段提取是定性趋势分析方法（qualitative trend analysis，QTA）的主要步骤之一。

这是一种基于历史数据的时间推理个形状分析方法，常用于慢过程的诊断和控制。

时序过程片段提取分为两个步骤
1.实时趋势提取：首先强实时数据在线分割成线性片段，讲数据表示为连续区间的形式。

2.判断在线线性片段所属的时序线性片段
过程趋势的最简单时序过程片段为以下七种之一
3、基于时序过程片段分析的SDG
将QTA的前期数据处理直接嵌入到SDG模型节点中，查看是否有节点当前时刻值超过安全阈值
叶一益1905120229
张毅1905120231
杨杨1905120228
李福霖1905120217
张羽翚1905120232。

动态概率sdg模型及复杂化工过程故障诊断方法研究
近年来，由于复杂化工过程的不断发展，工业生产系统对故障诊断技术的需求在不断增加。

由于传统的诊断技术在故障检测、定位和诊断结果的准确性等方面存在不足，采用动态概率sdg模型技术，开展复杂化工过程故障诊断方法研究，成为当前检测定位领域研究的重点之一。

动态概率sdg模型是由概率图结构和对应的sdg模型构成的一种故障检测模型，简单明了。

动态概率sdg模型可以有效求解复杂化工过程中的技术参数，以全面描述复杂化工过程。

此外，动态概率sdg 模型还可以通过诊断方法提供复杂化工过程的故障定位、诊断建议等问题。

为了验证动态概率sdg模型对复杂化工过程故障诊断的有效性，本文针对一个典型的钢铁厂进行了实验研究。

首先，根据当前典型工序的实际情况，采用动态概率sdg模型构建了模型特征参数，以描述复杂化工过程；其次，利用诊断方法计算了当前工序的故障定位、诊断建议等结果；最后，利用实验数据对动态概率sdg模型进行了验证，结果表明：动态概率sdg模型可以有效检测复杂化工过程中的故障，而且定位准确，诊断建议可靠，有效提高检测定位的准确性。

综上，动态概率sdg模型作为一种新型技术可以有效改善复杂化工过程的故障检测、定位和诊断结果的准确性，为复杂化工过程提供了贴切的解决方案。

因此，今后需要继续开展动态概率sdg模型技术的相关研究，l在行业中实现更广泛的应用。

一种基于 SDG 和数据重构的故障诊断方法王毓;杨煜普;屈卫东【摘要】针对传统的基于贡献图的多元统计方法中变量贡献值不能真实反映故障原因的不足，提出一种基于符号有向图（SDG）模型和数据重构的故障诊断方法，该方法使用平方预测误差（SPE）和累积和（ CUSUM ）统计量进行故障检测，通过在故障发生时对SDG的所有相容路径方向的样本数据进行重构，重构后残差变化最大的方向被认为是故障的传播方向，该方向上的起始节点为导致故障的原因变量。

通过在TEP模型上仿真表明：该方法能有效地诊断出引起故障的根本原因。

%Considering the fact that in traditional contribution plots-based multivariate statistics , variable con-tribution value has insufficiency in reflecting the failure cause , a new fault diagnosis method based on signed directed graph ( SDG) and data reconstruction was proposed to have square prediction error ( SPE) and cumula-tive sum(CUSUM) used to detect a fault;when a fault happens, all sample data on SDG’s consistent bran-ches can be reconstructed;and the branches where maximal residual change exists after to be reconstructed is the fault propagation branch ,the initial node is thought to be the causal variable which resulting in the fault . Simulation in TEP process shows that this method can find the fault cause accurately .【期刊名称】《化工自动化及仪表》【年(卷),期】2014(000)005【总页数】5页(P563-566,582)【关键词】故障诊断;主元分析;符号有向图;TEP模型【作者】王毓;杨煜普;屈卫东【作者单位】上海交通大学电子信息与电气工程学院自动化系，上海 200240;上海交通大学电子信息与电气工程学院自动化系，上海 200240;上海交通大学电子信息与电气工程学院自动化系，上海 200240【正文语种】中文【中图分类】TH89随着工业过程控制系统不断朝着大规模、智能化和复杂化的方向发展，安全问题日益成为大家关心的主要问题之一。

《基于粒计算的SDG故障诊断关键问题研究》篇一一、引言在现代工业生产过程中，安全性和稳定性成为越来越重要的课题。

设备或系统的故障诊断成为了保证工业正常运行和避免安全事故的重要环节。

随着系统复杂性的增加，传统的故障诊断方法往往难以满足高精度的诊断需求。

因此，基于粒计算的SDG （符号定向图）故障诊断方法应运而生，其能够有效地处理复杂系统中的故障诊断问题。

本文将重点研究基于粒计算的SDG故障诊断的关键问题，并探讨其在实际应用中的效果和价值。

二、粒计算概述粒计算是一种新兴的计算方法，它以颗粒为基本单位进行计算和处理信息。

在SDG故障诊断中，粒计算可以将复杂的系统划分为若干个简单的颗粒（即系统组成部分），进而实现对系统状态的精细刻画和精确分析。

通过对不同颗粒之间关系的分析和处理，可以有效解决系统复杂性的问题。

三、基于粒计算的SDG故障诊断基于粒计算的SDG故障诊断方法是一种结合了粒计算和SDG图的可视化、逻辑化、结构化的故障诊断方法。

该方法通过将系统划分为多个颗粒，并建立颗粒之间的逻辑关系，形成SDG 图。

在SDG图中，通过分析不同颗粒之间的关系，可以确定故障发生的可能位置和影响范围。

同时，利用粒计算的思想，可以对系统进行精细化分析，提高诊断的准确性和效率。

四、关键问题研究在基于粒计算的SDG故障诊断中，存在一些关键问题需要解决。

首先，如何将系统合理划分为颗粒，并建立颗粒之间的逻辑关系是关键问题之一。

这需要考虑到系统的复杂性、颗粒的独立性、以及颗粒之间的相互影响等因素。

其次，如何从大量数据中提取出有用的信息并进行粒化处理也是一个重要的研究内容。

这需要对数据进行有效的筛选、分析和解读，以提取出与故障相关的信息。

此外，如何利用SDG图进行故障诊断的推理和决策也是一个关键问题。

这需要深入研究SDG图的逻辑关系和结构特点，以实现精确的故障定位和快速的问题解决。

五、应用与效果基于粒计算的SDG故障诊断方法在实际应用中取得了显著的成果。

《基于粒计算的SDG故障诊断关键问题研究》篇一一、引言随着工业自动化和智能化水平的不断提高，系统故障诊断成为了一个重要的研究方向。

系统动力学图（SDG）作为一种有效的故障诊断工具，已经被广泛应用于多个领域。

然而，在实际应用中，SDG面临着许多挑战和问题。

为了更好地利用SDG进行故障诊断，本研究从粒计算的角度出发，探讨了SDG故障诊断的关键问题。

二、粒计算与SDG概述粒计算是一种将复杂问题分解为若干个简单子问题的计算方法。

这种方法能够有效地处理大规模、高复杂度的系统问题。

而SDG（系统动力学图）则是一种基于图论的建模方法，可以直观地描述系统的结构、状态以及动态行为。

在故障诊断中，SDG通过分析系统中的因果关系和逻辑关系，实现故障的快速定位和诊断。

三、基于粒计算的SDG故障诊断关键问题（一）粒度划分问题在SDG故障诊断中，粒度划分是一个关键问题。

粒度过大可能导致信息丢失，影响诊断的准确性；而粒度过小则可能导致计算复杂度过高，增加诊断的难度。

因此，如何合理地划分粒度，使得既能保证信息的完整性，又能降低计算的复杂度，是SDG故障诊断的一个重要研究方向。

（二）多源信息融合问题在实际的工业系统中，往往存在着多种类型的信息，如传感器数据、专家知识、历史数据等。

这些信息在SDG故障诊断中具有重要的作用。

然而，如何有效地融合这些多源信息，提高诊断的准确性和可靠性，是一个亟待解决的问题。

（三）诊断推理问题在SDG故障诊断中，推理是一个重要的环节。

然而，由于系统的复杂性和不确定性，推理过程往往存在多种可能的结果。

如何从这些可能的结果中找出最合理的解释，是一个具有挑战性的问题。

此外，推理过程中还可能涉及到多个领域的专业知识，如何将这些知识有效地融合到推理过程中，也是一个需要解决的问题。

四、基于粒计算的SDG故障诊断方法研究针对上述关键问题，本研究提出了一种基于粒计算的SDG故障诊断方法。

首先，通过合理的粒度划分，将系统划分为若干个简单的子系统；然后，利用多源信息融合技术，将各种类型的信息进行有效的融合；最后，通过推理算法，从可能的结果中找出最合理的解释。

动态概率sdg模型及复杂化工过程故障诊断方法研究近年来，复杂化工过程故障诊断技术受到了国内外学者的广泛关注。

复杂化工过程具有高等级、高可靠性、多级联和难以模拟等特点，其传感器信号十分复杂，提取出特征以及判断出完整故障机理，既需要较高的模型复杂度又要考虑实时性等因素，这对传统诊断技术构成了一种挑战。

基于动态概率模型（DPM）的故障诊断技术就是一种具有潜力的解决方案。

本文的主要目的是探索基于DPM的复杂化工过程故障诊断技术。

动态概率模型概述动态概率模型是一种基于概率的模型，可以用来表示不同的性能参数随时间及其他外部因素的变化而变化。

例如，当一个机器运行时，可以构建一个动态概率模型来表征其内部状态变化，从而可以准确地模拟它的特性。

动态概率模型可以用来表示复杂化工过程的状态变化，从而为故障诊断提供较准确的模型。

在建立动态概率模型后，我们可以使用一系列技术来提取故障信号，并建立故障模式信息。

该信息可以用来预测复杂化工过程的状态，也可以在发生故障时帮助定位出问题所在。

同时，我们还可以利用该模型估计不同参数的变化以及可能存在的故障原因，从而实现准确的故障诊断。

复杂化工过程故障诊断方法研究本节将介绍基于动态概率模型的复杂化工过程故障诊断方法。

首先，我们可以建立复杂化工过程的动态概率模型，模拟性能参数随时间及其他外部因素的变化。

其次，在模型建立好之后，我们可以提取故障信号，并建立故障模式信息，用以诊断复杂化工过程的故障。

最后，我们可以利用模型估计不同参数的变化，以及可能存在的故障原因，从而实现准确的故障诊断。

总结本文探讨了基于动态概率模型的复杂化工过程故障诊断技术。

首先，我们建立了复杂化工过程的动态概率模型，用以模拟性能参数随时间及其他外部因素的变化。

然后，我们提取故障信号，并建立故障模式信息，用以诊断复杂化工过程的故障。

最后，我们利用模型估计不同参数的变化，以及可能存在的故障原因，从而实现准确的故障诊断。

本文为基于动态概率模型的复杂化工过程故障诊断技术提供了一种潜在的解决方案。

动态概率sdg模型及复杂化工过程故障诊断方法研究本文旨在探讨动态概率sdg模型和复杂化工过程故障诊断方法。

首先，将对动态概率sdg模型进行简要介绍，以及它的优点和缺点。

其次，将针对复杂化工过程故障诊断方法进行深入的分析，包括诊断原理、测量原理、数据分析和诊断技术等。

最后，将对可能的潜在的局限性和改进提出建议。

动态概率sdg模型是一种用于复杂化工过程的故障诊断方法。

它是基于概率理论，借助sdg数据进行故障诊断，从而可以快速、准确地诊断出化工过程中可能出现的故障。

相比传统的故障定位方法，动态概率sdg模型有以下优点：首先，它可以检测出低频故障，因为它采用统计方法，可以分析出不同故障水平下的相关数据差异；其次，它可以提高维护效率，因为它能够快速、准确地定位出故障，这样可以节省维护成本。

然而，动态概率sdg模型也存在一些不足之处。

首先，由于它基于统计方法，它有可能在比较弱的故障情况下识别失败，从而导致故障无法定位；其次，在复杂的系统中，由于模型数量较多，建模复杂，模型的计算时间可能较长，也会影响故障定位的准确性。

复杂化工过程故障诊断技术包括诊断原理、测量原理、数据分析和诊断技术等。

在其中，诊断原理的核心思想是，通过对系统的正常运行及故障情况测量，并结合相关的理论分析，从而确定故障的部位、范围和次序。

测量原理分为静态测量和动态测量两类。

静态测量是指通过静态数据测量，在不破坏实验过程的情况下，从参数曲线中推断出诊断结果；动态测量是指在系统运行过程中通过多项参数的连续测量，从动态参数曲线中推断出诊断结果。

数据分析是指在系统运行过程中，通过数据分析、回归分析、贝叶斯推理等方法，从相关数据中推断出最有可能的故障类型。

诊断技术则包括基于规则的诊断、基于模式识别的诊断、模型诊断和解释性方法等。

虽然动态概率sdg模型和复杂化工过程故障诊断方法已经取得了显著成果，但它也存在一些潜在的局限性。

首先，由于复杂的系统，模型的准确性可能会受到影响；其次，复杂化工过程故障诊断技术需要先进的计算机和传感芯片，以及测试环境的支持，这些都会增加故障诊断的成本。