CN107871197A - 扰动源追溯方法 - Google Patents
扰动源追溯方法 Download PDFInfo
- Publication number
- CN107871197A CN107871197A CN201611032532.9A CN201611032532A CN107871197A CN 107871197 A CN107871197 A CN 107871197A CN 201611032532 A CN201611032532 A CN 201611032532A CN 107871197 A CN107871197 A CN 107871197A
- Authority
- CN
- China
- Prior art keywords
- candidate nodes
- probability distribution
- disturbing source
- topology information
- static
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 136
- 238000009826 distribution Methods 0.000 claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 74
- 230000003068 static effect Effects 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 42
- 230000001364 causal effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000012546 transfer Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 19
- 230000006855 networking Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000010998 test method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 2
- 206010010254 Concussion Diseases 0.000 description 8
- 230000009514 concussion Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 238000002407 reforming Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 201000003723 learning disability Diseases 0.000 description 1
- 230000009021 linear effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
Abstract
一种扰动源追溯方法，适于由计算装置从包括多个候选节点的系统中追溯扰动源。此方法是由计算装置获得由多种流程分析方法，分别分析此系统所得的拓扑信息，拓扑信息记录此系统中候选节点之间的因果关系。接着将各个拓扑信息中的因果关系导入机率分布演算法，计算各个候选节点的静态机率分布，并且融合针对各个流程分析方法所计算的静态机率分布，计算各个候选节点为扰动源的机率分布，以从众多震荡的回路中找出系统中引发扰动的扰动源。
Description
技术领域
本公开内容涉及一种扰动源追溯方法，且特别涉及一种结合多种拓扑信息的扰动源追溯方法。
背景技术
一般来说，在厂房中各控制器参数调整不当、阀件磨损、外部干扰或其他多种因素都有可能造成厂房中回路的扰动。其中震荡型的扰动是一种周期性的现象，通常具有特定的振幅与频率特征。当厂房内某一回路因故产生震荡现象时，通过回路与回路之间在控制信号或物质的回授与传递影响，震荡现象会传播至周边关联的回路甚至扩展至全厂，而出现全厂震荡(plant wide oscillation)现象。当全厂扰动现象持续，将可能造成工艺跳车，降低工艺效能，导致产品品质降低、不良率提高与多余的能源损耗。然而，当全厂性扰动发生时，由于回路众多且成因不明，通常无法及时有效监视与处置。
许多寻找扰动源的技术已逐渐被发展出来，但各自存在缺点以及局限性。举例而言，针对阀件磨损或黏滞所造成的非线性动作所引发的扰动现象，目前已发展出基于数据分析的非线性测试方法，此方法通过分析各回路资料的非线性度来找出非线性度最高的回路，进而将其判定为扰动源。但是，上述的方法对于数据品质的依赖性相当高，并且所能分析的范围局限于非线性动作所引发的扰动现象。
因此，有必要开发出一种扰动源追溯方法，可以准确且不受局限地寻找出震荡的扰动源头，如此将有利于工程人员快速锁定问题回路后再进行测试与诊断，找出确切原因。
发明内容
本公开内容提供一种扰动源追溯方法，不局限于特定因素造成的扰动，可快速而有效地从众多震荡的回路中找出系统中引发扰动的扰动源。
本公开内容的扰动源追溯方法适于由计算装置从包括多个候选节点的系统中追溯扰动源。此方法是由计算装置获得由多种流程分析方法，分别分析此系统所得的拓扑信息，拓扑信息记录此系统中候选节点之间的因果关系。接着将各个拓扑信息中的因果关系导入机率分布演算法，计算各个候选节点的静态机率分布，并且融合针对各个流程分析方法计算的静态机率分布，计算各个候选节点为扰动源的机率分布。
基于上述，本公开内容的扰动源追溯方法通过多种流程分析方法分别得到记录有系统中各候选节点之间因果关系的拓扑信息，再将其中的因果关系导入机率分布演算法，来计算出系统中候选节点的静态机率分布，最后融合针对各个流程分析方法所计算的静态机率分布，来计算各个候选节点为扰动源的机率。如此一来，本公开内容可将多种流程分析方法所分析出的拓扑信息序列化为系统中候选节点的静态机率分布，进一步还可融合针对各个流程分析方法所得的静态机率分布，来提高扰动源追溯时的可靠度与准确度。
为让本公开内容的上述特征和优点能更明显易懂，下文特举实施例，并配合所附附图作详细说明如下。
附图说明
图1绘示本公开内容一实施例的扰动源追溯方法的流程图；
图2绘示本公开内容一实施例的多个拓扑信息的示意图；
图3绘示本公开内容一实施例中利用拓扑信息计算系统中候选节点的静态机率分布的示意图；
图4绘示本公开内容一实施例中融合各个静态机率分布，计算候选节点为扰动源的机率分布的示意图；
图5绘示本公开内容一实施例的系统的管道仪表流程图；
图6绘示本公开内容一实施例的频谱特征分析的示意图；
图7绘示本公开内容一实施例的针对格兰杰因果关系检验法的示意图；
图8绘示本公开内容一实施例的针对熵转移法的示意图；
图9绘示本公开内容一实施例的针对贝氏网路法的示意图；
图10绘示本公开内容一实施例的针对管道仪表流程图的示意图。
【附图标记说明】
a、b、c、d、e：候选节点
FC1、FC3、FC4、FC5、FC6、FC7、FC8、LC1、LC2、LC3、TC1、TC2、PC1、PC2：节点
PA1、PA2、PA3、PA4、PA5：流程分析方法
S110、S120、S130：扰动源追溯方法的步骤
T1、T2、T3、T4、T5、Tgc、Tet、Tbn、Tpid、RT：拓扑信息
TM3：转移矩阵
具体实施方式
一般来说，使用不同的流程分析方法来对系统中的多个候选节点作分析时，会得到候选节点间不同的因果关系，进而得到不同的拓扑信息，这些拓扑信息可能会因纳入错误信息而有所差异。在本公开内容中，通过机率分布演算法来分析多种流程分析方法分析系统所得到的拓扑信息，再将分析所得的多个序列化的结果作融合，便能整合出各个候选节点为扰动源的机率。此种结合多种方法所得的结果不仅可降低失误的机率，且所计算的机率同时也能呈现出可能的扰动传导路径。
本公开内容的扰动源追溯方法适用于计算装置。计算装置例如是个人电脑(personal computer，PC)、工作站(work station)、服务器(server)、笔记本电脑(notebook)、掌上电脑(personal digital assistant，PDA)、智能手机(smart phone)、平板电脑(tablet PC)等具有运算能力的电子装置，本公开内容并不仅限于此。在本实施例中，计算装置可执行以软件或硬件形式来运行的程序，进而执行本公开内容的扰动源追溯方法，以从包括多个候选节点的系统中追溯扰动源。
具体地说，图1绘示本公开内容一实施例的扰动源追溯方法的流程图。图2绘示本公开内容一实施例的多个拓扑信息的示意图。请参考图1与图2，在步骤S110中，计算装置会获得由多种流程分析方法，分别分析系统所得到的拓扑信息。
在本实施例中，系统中包括候选节点a、候选节点b、候选节点c、候选节点d与候选节点e。为了方便起见，本实施例是以有向图(directed diagram)来表示拓扑信息中两两候选节点之间的因果关系，且拓扑信息T1至T5分别表示以五种流程分析方法PA1至PA5来分析系统所得到的拓扑信息，而拓扑信息RT用以表示系统真实的拓扑信息，其中记录有候选节点a至e之间的真实因果关系。
详细而言，拓扑信息T1是以流程分析方法PA1来分析系统所得到候选节点a至e之间的因果关系，其中候选节点a的震荡会影响到候选节点b，候选节点b的震荡会影响到候选节点c，候选节点c的震荡会影响到候选节点d与候选节点e，而候选节点d或候选节点e的震荡并不会影响到任何其他的候选节点；拓扑信息T2是以流程分析方法PA2来分析系统所得到候选节点a至e之间的因果关系，其中候选节点a的震荡并不会影响到任何节点，而候选节点b的震荡会影响到候选节点c与候选节点d，以此类推。
在本实施例中，流程分析方法PA1至PA5包括数据驱动方法(data-driven method)以及基于模型的方法(model-based method)。其中，数据驱动方法例如包括格兰杰因果关系检验法、熵转移法(transfer entropy)、贝氏网路法(Bayesian network)或互相关法(cross-correlation)等，这些方法是从数据之间的因果性来判断节点之间的相互关系。另一方面，基于模型的方法例如包括管道仪表流程图(piping and instrument diagram，P&ID)法，其是通过图形数据与工艺知识的结合，来将各管路与设备的连结整合成拓扑模型。
必须注意的是，本公开内容并不在此限制计算装置获得拓扑信息的方式。在一实施例中，上述的拓扑信息T1至T5可例如是计算装置分别使用五种不同的流程分析方法PA1至PA5来分析系统所得到。在其他实施例中，计算装置亦可由其他的管道获得这些拓扑信息T1至T5。
在获得拓扑信息后，在步骤S120中，计算装置会将各个拓扑信息中的因果关系导入机率分布演算法，计算系统中候选节点的静态机率分布。
图3绘示本公开内容一实施例中利用拓扑信息计算系统中候选节点的静态机率分布的示意图。在本实施例中，机率分布演算法例如是基于马可夫链(Markov chain)来计算静态机率分布。具体地说，针对各拓扑信息，计算装置会先建立记录候选节点间因果关系的邻接矩阵(adjacency matrix)，随后在将此邻接矩阵正规化为马可夫链的转移矩阵(transition matrix)。其中，针对如何建立邻接矩阵，并将其正规化为转移矩阵的方法，本领域技术人员应可根据其对于马可夫链的知识而获致足够的教示，故在此不再赘述。
在图3中以拓扑信息T3为例，计算装置首先会建立邻接矩阵来表示拓扑信息T3中各候选节点之间的因果关系，再将所建立的邻接矩阵正规化为马可夫链的转移矩阵TM3，转移矩阵中的各个元素可用以表示两两节点之间的相互影响关系。
在本实施例中，在取得转移矩阵之后，计算装置会进一步计算此转移矩阵在稳定状态的解。详细来说，转移矩阵在特征值为1时的特征向量可以视为转移矩阵在稳定状态时的向量解。因此，计算装置在以迭代方式来计算此转移矩阵在稳定状态时的数值解时，可例如是计算此转移矩阵在特征值为1时的特征向量的数值解，以作为系统中候选节点的静态机率分布。
请再参考图3，计算装置以迭代方式计算转移矩阵TM3在稳定状态时的数值解，并将其作为系统中候选节点a至e的静态机率分布。具体来说，本实施例的转移矩阵TM3在稳定状态时的数值解例如为[0.372498，0.444117，0.08935，0.04186，0.052174]，其中0.496515可表示候选节点a的静态机率。此静态机率例如可以代表在以流程分析方法PA3分析系统所得到的拓扑信息T3之中，候选节点a为扰动源的机率。其他候选节点b至e的机率可以此类推，在此不再赘述。
值得一提的是，以单一流程分析方法PA3分析系统所得到的拓扑信息T3来看，候选节点b为扰动源的机率最高。对比于图2所示的真实拓扑信息RT1可知，单一的流程分析方法PA3并没有判定出正确的扰动源。有鉴于此，在本实施例中，除了取得流程分析方法PA3对应的拓扑信息T3外，还更取得了其他四种流程分析方法PA1、PA2、PA4、PA5所对应的拓扑信息T1、T2、T4、T5，并会通过融合各流程分析方法来追溯扰动源。
在取得候选节点的静态机率分布后，在步骤S130中，计算装置会融合针对各流程分析方法所计算的静态机率分布，计算系统中各个候选节点为扰动源的机率。
图4绘示本公开内容一实施例中融合各个静态机率分布，计算各候选节点为扰动源的机率分布的示意图。在本实施例中，计算装置会取得各种流程分析方法PA1至PA5所对应的拓扑信息T1至T5中候选节点a至e的静态机率分布，并且加总各静态机率分布的总和，以作为系统中候选节点a至e为扰动源的机率。
请参考图4，在本实施例中，以流程分析方法PA1分析系统得到的拓扑信息T1中，候选节点a至e的静态机率分布例如为[0.618375，0.148031，0.129259，0.052166，0.05217]；以流程分析方法PA2分析系统得到的拓扑信息T2中，候选节点a至e的静态机率分布例如为[0.196186，0.616352，0.072801，0.072801，0.04186]，以此类推。计算装置会将各个静态机率分布作向量加总，以作为候选节点a至e为扰动源的机率分布。在本实施例中，候选节点a至e为扰动源的机率分布例如为[2.182221，1.420705，0.854696，0.312454，0.229925]。
必须注意的是，上述候选节点a至e为扰动源的机率分布是由五个静态机率分布加总所得，因此其中的各数值是用以表示相对的机率分布，而非表示实际的机率大小。因此，在本实施例中，计算装置可通过将上述候选节点a至e以此机率分布排序为[1，2，3，4，5]，便能够判定排序最高的候选节点(例如，候选节点a)为系统的扰动源。在另一实施例中，计算装置也可以通过将上述机率分布中的元素等比例地转换为各元素总和为1的向量，用以表示各候选节点a至e的实际机率大小。换言之，在取得候选节点a至e为扰动源的机率分布后，本公开内容并不在此限制此机率分布的用途。
请再次参考图2，在本实施例中，通过拓扑信息T1至T5，计算装置会计算出候选节点a至e为扰动源的机率分布为[2.182221，1.420705，0.854696，0.312454，0.229925]，并进一步判定候选节点a为系统的扰动源。对比于系统真实的拓扑信息RT不难看出，本公开内容的扰动源追溯方法可获得合理且准确的排序结果。
以下将举本公开内容的另一实施例来再次详述本公开内容的扰动源追溯方法。图5绘示本公开内容一实施例的系统的管路仪表流程图法。图6绘示本公开内容一实施例的频谱特征分析的示意图。
请参考图5与图6，系统中包括14个节点FC1、FC3至FC8、LC1至LC3、TC1至TC2以及PC1至PC2。在本实施例中，计算装置会首先对系统中的14个节点进行频谱特征分析，并且依据频谱特征分析的分析结果，来筛选出频谱特征相近的节点作为候选节点。具体来说，如图6所示，从频谱特征分析的功率频谱中可以看出，节点TC2、FC8、LC2、FC5、PC2、TC1、FC1以及LC1具有相近的频谱特征，这些有相近频谱特征的节点很有可能彼此互相影响，因而扰动源很可能是在这些节点之中。据此，这些节点会被筛选为可能是扰动源的候选节点。在本实施例中，计算装置会设定一个预设值，当频谱特征分析中的两个频谱特征的差值小于此预设值时，便判定两频谱特征相近。举例来说，在功率频谱中，若两节点的功率峰值所对应的频率差小于预设值时，便判定此两节点的频谱特征相近。如此一来，便能够从系统中的多个节点中筛选出可能是扰动源的候选节点，再从此些候选节点中追溯系统的扰动源。然而，本领域技术人员可视需求来对其作出修正或调整，本公开内容并不在此限制频谱特征相近的判定方式。
在从系统的多个节点中筛选出候选节点后，计算装置会获得由多种流程分析方法，分别分析系统所得到的拓扑信息。在本实施例中，多种流程分析方法包括格兰杰因果关系检验法、熵转移法、贝氏网路法以及管道仪表流程图法。
图7绘示本公开内容一实施例的针对格兰杰因果关系检验法的示意图。请参考图7，在本实施例中，由格兰杰因果关系检验法分析系统可得到拓扑信息Tgc，其中记录有筛选出的候选节点之间的因果关系。接着，计算装置会依据此拓扑信息Tgc中各候选节点之间的因果关系，来建立出马可夫链的转移矩阵，其中转移矩阵中的各元素代表两两候选节点之间的相互关系。通过转移矩阵，计算装置可通过迭代计算转移矩阵在稳定状态的数值解的方式，来计算出候选节点的静态机率分布。在本实施例中，由格兰杰因果关系检验法，基于马可夫链来分析系统后，可对应得到候选节点LC1、LC2、FC1、FC5、FC8、TC1、TC2、PC2的静态机率分布为[0.048466，0.314484，0.040568，0.067225，0.046392，0.04695，0.046392，0.389523]。
必须注意的，在本实施例中，单以格兰杰因果分析检验法来分析系统，计算装置会判定系统的扰动源为候选节点PC2。
图8绘示本公开内容一实施例的针对熵转移法的示意图。在本实施例中，由熵转移法分析系统可得到拓扑信息Tet。从拓扑信息Tet得到候选节点的静态机率分布的方法是类似于图7实例中，从拓扑信息Tgc得到候选节点的静态机率分布的方法，在此不再赘述。在本实施例中，由熵转移法来分析系统，可对应得到候选节点LC1、LC2、FC1、FC5、FC8、TC1、TC2、PC2的静态机率分布为[0.05174，0.47878，0.05174，0.032609，0.041509，0.062337，0.042577，0.238707]。因此，在本实施例中，单以熵转移法来分析系统，计算装置会判定系统的扰动源为候选节点LC2。
图9绘示本公开内容一实施例的针对贝氏网路法的示意图。在本实施例中，由贝氏网路法分析系统可得到拓扑信息Tbn。从拓扑信息Tbn得到候选节点的静态机率分布的方法是类似于图7实例中，从拓扑信息Tgc得到候选节点的静态机率分布的方法，在此不再赘述。在本实施例中，由贝氏网路法来分析系统，可对应得到候选节点LC1、LC2、FC1、FC5、FC8、TCl、TC2、PC2的静态机率分布为[0.045202，0.456075，0.173063，0.05602，0.04804，0.055184，0.097575，0.068841]。因此，在本实施例中，单以贝氏网路法来分析系统，计算装置会判定系统的扰动源为候选节点LC2。
图10绘示本公开内容一实施例的针对管道仪表流程图法的示意图。在本实施例中，由管道仪表流程图法分析系统可得到拓扑信息Tpid，其中记录有系统中的所有节点之间的因果关系。接着，计算装置会依据此拓扑信息Tpid中各节点之间的因果关系，来建立出马可夫链的转移矩阵，其中转移矩阵中的各元素代表两两节点之间的相互关系。通过转移矩阵，计算装置可通过迭代计算转移矩阵在稳定状态的数值解的方式，来计算出节点的静态机率分布。
值得一提的是，上述系统中的节点中包括计算装置通过频谱特征分析所筛选出来的候选节点。因此，在本实施例中，计算装置更从节点的静态机率分布中，筛选出候选节点所对应的元素，并将各元素等比例地调整使其总和为1。如此一来，这些元素便能用以表示拓扑信息Tpid中的各候选节点的静态机率分布。
在本实施例中，由管道仪表流程图法来分析系统，可对应得到候选节点LC1、LC2、FC1、FC5、FC8、TC1、TC2、PC2的静态机率分布为[0.064032，0.417548，0.064032，0.079051，0.130401，0.104473，0.100105，0.040358]。
最后，计算装置会融合针对各流程分析方法所计算的静态机率分布，来计算各个候选节点为扰动源的机率分布。如下表1所示，在本实施例中，计算装置会加总候选节点的静态机率分布并将其排序。加总后，各候选节点为扰动源的机率分布为[0.20944，1.666888，0.329403，0.234904，0.266342，0.268944，0.286649，0.73743]。依此机率分布对各个候选节点进行排序后，检视排序结果[8，1，3，7，6，5，4，2]可知，LC2排序最高，因此计算装置会将LC2判定为系统的扰动源。
表1
| 节点 | LC1 | LC2 | FC1 | FC5 | FC8 | TC1 | TC2 | PC2 |
| 格兰杰因果关系检验法 | 0.048466 | 0.314484 | 0.040568 | 0.067225 | 0.046392 | 0.04695 | 0.046392 | 0.389523 |
| 熵转移法 | 0.05174 | 0.47878 | 0.05174 | 0.032609 | 0.041509 | 0.062337 | 0.042577 | 0.238707 |
| 贝氏网路法 | 0.045202 | 0.456075 | 0.173063 | 0.05602 | 0.04804 | 0.055184 | 0.097575 | 0.068841 |
| 管道仪表流程图法 | 0.064032 | 0.417548 | 0.064032 | 0.079051 | 0.130401 | 0.104473 | 0.100105 | 0.040358 |
| 总和 | 0.20944 | 1.666888 | 0.329403 | 0.234904 | 0.266342 | 0.268944 | 0.286649 | 0.73743 |
| 排序 | 8 | 1 | 3 | 7 | 6 | 5 | 4 | 2 |
值得一提的是，最后的排序结果是依据各候选节点为扰动源的机率分布而得。因此，此排序结果还能够呈现出系统中可能的扰动传导路径。在本实施例中，从排序结果能够得知扰动的可能传导路径顺序为LC2、PC2、FC1、TC2、TC1、FC8、FC5、LC1。如此一来，将有助于系统的问题诊断与后续的解决。
由本实施例可以看出，通过不同的流程分析方法来分析系统得到的扰动源判定结果可能不同。详细来说，关联于形成扰动的原因或者其他变因，追溯系统的扰动源时可能会适用特定的流程分析方法，或导致某些流程分析方法失准。但是，实际在追溯系统的扰动源时并不可能精确考量到所有变因，因此难以选择出最适当的单一种流程分析方法。
一般来说，单以管道仪表流程图法来分析系统并追溯扰动源时，能够达到相当的准确率(例如，60％以上)。因此，在本实施例的扰动源追溯方法所使用的四种不同的流程分析方法中，优选为至少包括基于模型的方法中的管道仪表流程图法。此外，本实施例的流程分析方法中更搭配上其他的数据驱动方法，并融合所分析出的静态机率分布。在融合针对不同导向的流程分析方法所分析出的静态机率分布后，可更加准确的追溯系统的扰动源。
综上所述，本公开内容的扰动源追溯方法通过多种流程分析方法分析系统所得到的拓扑信息，并将拓扑信息中的因果关系导入机率分布演算法来计算系统中多个候选节点的静态机率分布，最后融合针对各种流程分析方法所计算的静态机率分布来计算系统中各个候选节点为扰动源的机率分布。藉此，可排除各种流程分析方法的局限性，并且更加准确地追溯扰动源。此外，各个候选节点为扰动源的机率分布还可呈现出系统中可能的扰动传导路径，将有助于问题的诊断与解决。
以上所述仅为本公开内容的具体实施例而已，并不用于限制本公开内容，凡在本公开内容的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开内容的保护范围之内。
Claims (10)
1.一种扰动源追溯方法，适于由计算装置从包括多个候选节点的系统中追溯扰动源，该方法包括下列步骤：
获得由多种流程分析方法，分别分析该系统所得的拓扑信息，该拓扑信息记录该系统中所述候选节点之间的因果关系；
将各所述拓扑信息中的所述因果关系导入机率分布演算法，计算各所述候选节点的静态机率分布；以及
融合针对各所述流程分析方法所计算的所述静态机率分布，计算各所述候选节点为该扰动源的机率分布。
2.如权利要求1所述的扰动源追溯方法，其中将各所述拓扑信息中的所述因果关系导入该机率分布演算法，计算各所述候选节点的该静态机率分布的步骤包括：
建立记录所述候选节点之间的所述因果关系的邻接矩阵；
正规化该邻接矩阵为转移矩阵；以及
以迭代方式计算该转移矩阵在稳定状态的数值解，以作为各所述候选节点的该静态机率分布。
3.如权利要求2所述的扰动源追溯方法，其中以迭代方式计算该转移矩阵在该稳定状态的该数值解，以作为各所述候选节点的该静态机率分布的步骤包括：
计算各所述转移矩阵在特征值为1时的一特征向量，以作为所述候选节点的该静态机率分布。
4.如权利要求2所述的扰动源追溯方法，其中融合针对各所述候选节点所计算的所述静态机率分布，计算各所述候选节点为该扰动源的机率分布的步骤包括：
计算针对各所述候选节点所计算的所述静态机率分布的总和，以作为该候选节点为该扰动源的机率分布。
5.如权利要求1所述的扰动源追溯方法，其中获得由所述流程分析方法，分别分析该系统所得的该拓扑信息的步骤之前，还包括：
对该系统的多个节点进行一频谱特征分析；以及
依据该频谱特征分析的一分析结果，筛选该频谱特征相近的所述节点作为所述候选节点，其中所述候选节点之间的该频谱特征的差值小于预设值。
6.如权利要求1所述的扰动源追溯方法，其中在融合针对各所述流程分析方法计算的所述静态机率分布，计算各所述候选节点为该扰动源的机率分布的步骤之后，还包括：
排序该机率分布所对应的各所述候选节点；以及
判定排序最高的该候选节点为该系统的该扰动源。
7.如权利要求1所述的扰动源追溯方法，其中所述流程分析方法包括数据驱动方法(data-driven method)及基于模型的方法(model-based method)。
8.如权利要求7所述的扰动源追溯方法，其中该数据驱动方法包括格兰杰因果关系检验法(Granger causality test)，并且该基于模型的方法包括管道仪表流程图法(Pipingand Instrument Diagram，P&ID)。
9.如权利要求7所述的扰动源追溯方法，其中该数据驱动方法包括格兰杰因果关系检验法、熵转移法(Transfer entropy)、贝氏网路法(Bayesian network)以及互相关法(Cross-correlation)的至少其中之一。
10.如权利要求7所述的扰动源追溯方法，其中该机率分布演算法基于马可夫链(Markov chain)。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105130759 | 2016-09-23 | ||
| TW105130759A TWI608365B (zh) | 2016-09-23 | 2016-09-23 | 擾動源追溯方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107871197A true CN107871197A (zh) | 2018-04-03 |
| CN107871197B CN107871197B (zh) | 2022-02-01 |
Family
ID=61230593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611032532.9A Active CN107871197B (zh) | 2016-09-23 | 2016-11-15 | 扰动源追溯方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20180089148A1 (zh) |
| CN (1) | CN107871197B (zh) |
| TW (1) | TWI608365B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111077404A (zh) * | 2018-10-22 | 2020-04-28 | 财团法人工业技术研究院 | 扰动源定位方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108646238A (zh) * | 2018-03-06 | 2018-10-12 | 中国船舶重工集团公司第七二四研究所 | 一种基于副瓣对消系数映射的干扰源跟踪方法 |
| JP7172706B2 (ja) * | 2019-02-19 | 2022-11-16 | 富士通株式会社 | 演算処理装置、演算処理プログラムおよび演算処理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100323652A1 (en) * | 2009-06-09 | 2010-12-23 | Qualcomm Incorporated | Systems, methods, apparatus, and computer-readable media for phase-based processing of multichannel signal |
| CN102520708A (zh) * | 2011-10-16 | 2012-06-27 | 华东理工大学 | 一种新型过程工业多回路振荡的波动源定位方法 |
| CN103843000A (zh) * | 2011-08-26 | 2014-06-04 | 菲利普莫里斯生产公司 | 用于表征拓扑网络扰动的系统和方法 |
| CN104977505A (zh) * | 2015-06-25 | 2015-10-14 | 国家电网公司 | 一种基于综合振荡指标的电网扰动源定位方法 |
| CN105893483A (zh) * | 2016-03-29 | 2016-08-24 | 天津贝德曼科技有限公司 | 大数据挖掘过程模型总体框架的构造方法 |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5528516A (en) * | 1994-05-25 | 1996-06-18 | System Management Arts, Inc. | Apparatus and method for event correlation and problem reporting |
| US7107185B1 (en) * | 1994-05-25 | 2006-09-12 | Emc Corporation | Apparatus and method for event correlation and problem reporting |
| US6807583B2 (en) * | 1997-09-24 | 2004-10-19 | Carleton University | Method of determining causal connections between events recorded during process execution |
| US7043661B2 (en) * | 2000-10-19 | 2006-05-09 | Tti-Team Telecom International Ltd. | Topology-based reasoning apparatus for root-cause analysis of network faults |
| CN100343855C (zh) * | 2002-05-15 | 2007-10-17 | 旺宏电子股份有限公司 | 维修决策方法与使用其的半导体元件电性测试系统 |
| JP3922375B2 (ja) * | 2004-01-30 | 2007-05-30 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 異常検出システム及びその方法 |
| EP2998894B1 (en) * | 2005-07-11 | 2021-09-08 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system |
| US7801712B2 (en) * | 2006-06-15 | 2010-09-21 | Microsoft Corporation | Declaration and consumption of a causality model for probable cause analysis |
| US8271223B2 (en) * | 2006-11-22 | 2012-09-18 | Parkervision, Inc. | Multi-dimensional error definition, error measurement, error analysis, error function generation, error information optimization, and error correction for communications systems |
| US8725667B2 (en) * | 2008-03-08 | 2014-05-13 | Tokyo Electron Limited | Method and system for detection of tool performance degradation and mismatch |
| JP5129725B2 (ja) * | 2008-11-19 | 2013-01-30 | 株式会社日立製作所 | 装置異常診断方法及びシステム |
| US8498776B2 (en) * | 2009-11-17 | 2013-07-30 | GM Global Technology Operations LLC | Fault diagnosis and prognosis using diagnostic trouble code markov chains |
| WO2013046287A1 (ja) * | 2011-09-26 | 2013-04-04 | 株式会社日立製作所 | 根本原因を解析する管理計算機及び方法 |
| US20130317780A1 (en) * | 2012-05-23 | 2013-11-28 | General Electric Company | Probability of failure on demand calculation using fault tree approach for safety integrity level analysis |
| CN103577672B (zh) * | 2012-08-01 | 2016-12-21 | 王振华 | 故障事件分析系统及其分析方法 |
| US9053000B1 (en) * | 2012-09-27 | 2015-06-09 | Emc Corporation | Method and apparatus for event correlation based on causality equivalence |
| US9495378B2 (en) * | 2013-08-27 | 2016-11-15 | Purdue Research Foundation | Tracing message transmissions between communications network devices |
| US9811588B1 (en) * | 2015-03-31 | 2017-11-07 | EMC IP Holding Company LLC | Methods and apparatus for generating causality matrix and impacts using graph processing |
| US10536357B2 (en) * | 2015-06-05 | 2020-01-14 | Cisco Technology, Inc. | Late data detection in data center |
| WO2017011708A1 (en) * | 2015-07-14 | 2017-01-19 | Sios Technology Corporation | Apparatus and method of leveraging machine learning principals for root cause analysis and remediation in computer environments |
| US10318366B2 (en) * | 2015-09-04 | 2019-06-11 | International Business Machines Corporation | System and method for relationship based root cause recommendation |
| US10083073B2 (en) * | 2015-09-14 | 2018-09-25 | Dynatrace Llc | Method and system for real-time causality and root cause determination of transaction and infrastructure related events provided by multiple, heterogeneous agents |
| US20170364819A1 (en) * | 2016-06-17 | 2017-12-21 | Futurewei Technologies, Inc. | Root cause analysis in a communication network via probabilistic network structure |
| US9912419B1 (en) * | 2016-08-24 | 2018-03-06 | At&T Intellectual Property I, L.P. | Method and apparatus for managing a fault in a distributed antenna system |
-
2016
- 2016-09-23 TW TW105130759A patent/TWI608365B/zh active
- 2016-11-15 CN CN201611032532.9A patent/CN107871197B/zh active Active
- 2016-11-25 US US15/361,078 patent/US20180089148A1/en not_active Abandoned
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100323652A1 (en) * | 2009-06-09 | 2010-12-23 | Qualcomm Incorporated | Systems, methods, apparatus, and computer-readable media for phase-based processing of multichannel signal |
| CN103843000A (zh) * | 2011-08-26 | 2014-06-04 | 菲利普莫里斯生产公司 | 用于表征拓扑网络扰动的系统和方法 |
| US20140207385A1 (en) * | 2011-08-26 | 2014-07-24 | Philip Morris Products Sa | Systems and methods for characterizing topological network perturbations |
| CN102520708A (zh) * | 2011-10-16 | 2012-06-27 | 华东理工大学 | 一种新型过程工业多回路振荡的波动源定位方法 |
| CN104977505A (zh) * | 2015-06-25 | 2015-10-14 | 国家电网公司 | 一种基于综合振荡指标的电网扰动源定位方法 |
| CN105893483A (zh) * | 2016-03-29 | 2016-08-24 | 天津贝德曼科技有限公司 | 大数据挖掘过程模型总体框架的构造方法 |
Non-Patent Citations (1)
| Title |
|---|
| CHEN, TONGWEN 等: "Methods for Root Cause Diagnosis of Plant-Wide Oscillations", 《AICHE JOURNAL》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111077404A (zh) * | 2018-10-22 | 2020-04-28 | 财团法人工业技术研究院 | 扰动源定位方法 |
| US11340601B2 (en) | 2018-10-22 | 2022-05-24 | Industrial Technology Research Institute | Disturbance source positioning method |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI608365B (zh) | 2017-12-11 |
| TW201814550A (zh) | 2018-04-16 |
| CN107871197B (zh) | 2022-02-01 |
| US20180089148A1 (en) | 2018-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bowes et al. | Software defect prediction: do different classifiers find the same defects? | |
| Xie et al. | Visualised inspection system for monitoring environmental anomalies during daily operation and maintenance | |
| Yang et al. | A time efficient approach for detecting errors in big sensor data on cloud | |
| Burattin et al. | A framework for online conformance checking | |
| Mounce et al. | Pattern matching and associative artificial neural networks for water distribution system time series data analysis | |
| US11636401B2 (en) | Artificial intelligence platform | |
| CN107665172B (zh) | 一种基于复杂加权软件网络的软件缺陷预测方法 | |
| Pacella et al. | Using recurrent neural networks to detect changes in autocorrelated processes for quality monitoring | |
| Elsayed et al. | PredictDeep: security analytics as a service for anomaly detection and prediction | |
| Wang et al. | Automatic multi-step attack pattern discovering | |
| JP2020512631A (ja) | 段階的な機械学習を使用する自動化された意思決定 | |
| CN107871197A (zh) | 扰动源追溯方法 | |
| Dimovska et al. | Granger-causality meets causal inference in graphical models: Learning networks via non-invasive observations | |
| CN109643335A (zh) | 用于建模、分析、检测和监测流体网络的系统和方法 | |
| Fizza et al. | A survey on evaluating the quality of autonomic internet of things applications | |
| Fournier et al. | Extending Event-Driven Architecture for Proactive Systems. | |
| Lyu et al. | A data-driven approach for identifying possible manufacturing processes and production parameters that cause product defects: A thin-film filter company case study | |
| Kumar et al. | A study of software reliability on big data open source software | |
| Kumari et al. | A direct transfer entropy-based multiblock Bayesian network for root cause diagnosis of process faults | |
| Walunj et al. | Defect prediction using deep learning with Network Portrait Divergence for software evolution | |
| Yeruva et al. | AIOps research innovations, performance impact and challenges faced | |
| Woodard et al. | A survey of data cleansing techniques for cyber-physical critical infrastructure systems | |
| Sandhu et al. | A density based clustering approach for early detection of fault prone modules | |
| Kayarvizhy et al. | Enhancing the fault prediction accuracy of CK metrics using high precision cohesion metric | |
| Jin et al. | Applications of fuzzy integrals for predicting software fault-prone |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |