TWI608365B - 擾動源追溯方法 - Google Patents
擾動源追溯方法 Download PDFInfo
- Publication number
- TWI608365B TWI608365B TW105130759A TW105130759A TWI608365B TW I608365 B TWI608365 B TW I608365B TW 105130759 A TW105130759 A TW 105130759A TW 105130759 A TW105130759 A TW 105130759A TW I608365 B TWI608365 B TW I608365B
- Authority
- TW
- Taiwan
- Prior art keywords
- probability distribution
- disturbance source
- candidate
- candidate nodes
- nodes
- Prior art date
Links
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
Description
本揭露是有關於一種擾動源追溯方法,且特別是有關於一種結合多種拓譜資訊的擾動源追溯方法。
一般來說,在廠房中各控制器參數調整不當、閥件磨損、外部干擾或其他多種因素都有可能造成廠房中迴路的擾動。其中震盪型的擾動是一種週期性的現象,通常具有特定的振幅與頻率特徵。當廠房內某一迴路因故產生震盪現象時,透過迴路與迴路之間在控制訊號或物質的回授與傳遞影響,震盪現象會傳播至周邊關聯的迴路甚至擴展至全廠,而出現全廠震盪(plant wide oscillation)現象。當全廠擾動現象持續,將可能造成製程跳車,降低製程效能,導致產品品質降低、不良率提高與多餘的能源損耗。然而,當全廠性擾動發生時,由於迴路眾多且成因不明,通常無法及時有效監視與處置。
許多尋找擾動源的技術已逐漸被發展出來,但各自存在缺點以及侷限性。舉例而言,針對閥件磨損或黏滯所造成的非線性動作所引發的擾動現象,目前已發展出基於資料分析的非線性度的測試方法,此方法係藉由分析各迴路資料的非線性度來找出非線性度最高的迴路,進而將其判定為擾動源。但是,上述的方法對於資料品質的依賴性相當高,並且所能分析的範圍侷限於非線性動作所引發的擾動現象。
因此,有必要開發出一種擾動源追溯方法,可以準確且不受侷限地尋找出震盪的擾動源頭,如此將有利於工程人員快速鎖定問題迴路後再進行測試與診斷,找出確切原因。
本揭露提供一種擾動源追溯方法,不侷限於特定因素造成的擾動,可快速而有效地從眾多震盪的迴路中找出系統中引發擾動的擾動源。
本揭露的擾動源追溯方法適於由計算裝置從包括多個候選節點的系統中追溯擾動源。此方法是由計算裝置獲得由多種流程分析方法,分別分析此系統所得的拓譜資訊,拓譜資訊記錄此系統中候選節點之間的因果關係。接著將各個拓譜資訊中的因果關係導入機率分佈演算法,計算各個候選節點的靜態機率分佈,並且融合針對各個流程分析方法計算的靜態機率分佈,計算各個候選節點為擾動源的機率分佈。
基於上述,本揭露的擾動源追溯方法藉由多種流程分析方法分別得到記錄有系統中各候選節點之間因果關係的拓譜資訊,再將其中的因果關係導入機率分佈演算法,來計算出系統中候選節點的靜態機率分佈,最後融合針對各個流程分析方法所計算的靜態機率分佈,來計算各個候選節點為擾動源的機率。如此一來,本揭露可將多種流程分析方法所分析出的拓譜資訊序列化為系統中候選節點的靜態機率分佈,進一步還可融合針對各個流程分析方法所得的靜態機率分佈,來提高擾動源追溯時的可靠度與準確度。
為讓本揭露的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
一般來說,使用不同的流程分析方法來對系統中的多個候選節點作分析時,會得到候選節點間不同的因果關係,進而得到不同的拓譜資訊,這些拓譜資訊可能會因納入錯誤資訊而有所差異。在本揭露中,藉由機率分佈演算法來分析多種流程分析方法分析系統所得到的拓譜資訊,再將分析所得的多個序列化的結果作融合,便能整合出各個候選節點為擾動源的機率。此種結合多種方法所得的結果不僅可降低失誤的機率,且所計算的機率同時也能呈現出可能的擾動傳導路徑。
本揭露的擾動源追溯方法適用於計算裝置。計算裝置例如是個人電腦(personal computer,PC)、工作站(work station)、伺服器(server)、筆記型電腦(notebook)、個人數位助理(personal digital assistant,PDA)、智慧型手機(smart phone)、平板電腦(tablet PC)等具有運算能力的電子裝置,本揭露並不在此限。在本實施例中,計算裝置可執行以軟體或韌體形式來實作的程式碼,進而執行本揭露的擾動源追溯方法,以從包括多個候選節點的系統中追溯擾動源。
詳言之,圖1繪示本揭露一實施例之擾動源追溯方法的流程圖。圖2繪示本揭露一實施例之多個拓譜資訊的示意圖。請參考圖1與圖2,在步驟S110中,計算裝置會獲得由多種流程分析方法,分別分析系統所得到的拓譜資訊。
在本實施例中,系統中包括候選節點a、候選節點b、候選節點c、候選節點d與候選節點e。為了方便起見,本實施例是以有向圖(directed diagram)來表示拓譜資訊中兩兩候選節點之間的因果關係,且拓譜資訊T1至T5分別表示以五種流程分析方法PA1至PA5來分析系統所得到的拓譜資訊,而拓譜資訊RT用以表示系統真實的拓譜資訊,其中記錄有候選節點a至e之間的真實因果關係。
詳細而言,拓譜資訊T1是以流程分析方法PA1來分析系統所得到候選節點a至e之間的因果關係,其中候選節點a的震盪會影響到候選節點b,候選節點b的震盪會影響到候選節點c,候選節點c的震盪會影響到候選節點d與候選節點e,而候選節點d或候選節點e的震盪並不會影響到任何其他的候選節點;拓譜資訊T2是以流程分析方法PA2來分析系統所得到候選節點a至e之間的因果關係,其中候選節點a的震盪並不會影響到任何節點,而候選節點b的震盪會影響到候選節點c與候選節點d,以此類推。
在本實施例中,流程分析方法PA1至PA5包括資料導向方法(data-driven method)以及模式導向方法(model-based method)。其中,資料導向方法例如包括格蘭傑因果關係檢驗法、熵轉移法(transfer entropy)、貝氏網路法(Bayesian network)或交互關聯法(cross-correlation)等,這些方法是從數據之間的因果性來判斷節點之間的相互關係。另一方面,模式導向方法例如包括管線儀控圖法(piping and instrument diagram,P&ID),其是透過圖資與製程知識的結合,來將各管路與設備的連結整合成拓譜模型。
必須注意的是,本揭露並不在此限制計算裝置獲得拓譜資訊的方式。在一實施例中,上述的拓譜資訊T1至T5可例如是計算裝置分別使用五種不同的流程分析方法PA1至PA5來分析系統所得到。在其他實施例中,計算裝置亦可由其他的管道獲得此些拓譜資訊T1至T5。
在獲得拓譜資訊後,於步驟S120中,計算裝置會將各個拓譜資訊中的因果關係導入機率分佈演算法,計算系統中候選節點的靜態機率分佈。
圖3繪示本揭露一實施例中利用拓譜資訊計算系統中候選節點的靜態機率分佈的示意圖。在本實施例中,機率分佈演算法例如是基於馬可夫鏈(Markov chain)來計算靜態機率分佈。詳言之,針對各拓譜資訊,計算裝置會先建立記錄候選節點間因果關係的鄰近矩陣(adjacency matrix),隨後在將此鄰近矩陣正規化為馬可夫鏈的轉移矩陣(transition matrix)。其中,針對如何建立鄰近矩陣,並將其正規化為轉移矩陣的方法,本領域技術人員應可根據其對於馬可夫鏈的知識而獲致足夠的教示,故在此不再贅述。
在圖3中以拓譜資訊T3為例,計算裝置首先會建立鄰近矩陣來表示拓譜資訊T3中各候選節點之間的因果關係,再將所建立的鄰近矩陣正規化為馬可夫鏈的轉移矩陣TM3,轉移矩陣中的各個元素可用以表示兩兩節點之間的相互影響關係。
在本實施例中,於取得轉移矩陣之後,計算裝置會進一步以計算此轉移矩陣在穩定狀態的解。詳細來說,轉移矩陣在特徵值為1時的特徵向量可以視為轉移矩陣在穩定狀態時的向量解。因此,計算裝置在以迭代方式來計算此轉移矩陣在穩定狀態時的數值解時,可例如是計算此轉移矩陣在特徵值為1時的特徵向量的數值解,以作為系統中候選節點的靜態機率分佈。
請再參考圖3,計算裝置以迭代方式計算轉移矩陣TM3在穩定狀態時的數值解,並將其作為系統中候選節點a至e的靜態機率分佈。具體來說,本實施例之轉移矩陣TM3在穩定狀態時的數值解例如為[0.372498, 0.444117, 0.08935, 0.04186, 0.052174],其中0.496515可表示候選節點a的靜態機率。此靜態機率例如可以代表在以流程分析方法PA3分析系統所得到的拓譜資訊T3之中,候選節點a為擾動源的機率。其他候選節點b至e的機率可以此類推,在此不再贅述。
值得一提的是,以單一流程分析方法PA3分析系統所得到的拓譜資訊T3來看,候選節點b為擾動源的機率最高。對比於圖2所示之真實拓譜資訊RT1可知,單一的流程分析方法PA3並沒有判定出正確的擾動源。有鑑於此,在本實施例中,除了取得流程分析方法PA3對應的拓譜資訊T3外,還更取得了其他四種流程分析方法PA1、PA2、PA4、PA5所對應的拓譜資訊T1、T2、T4、T5,並會藉由融合各流程分析方法來追溯擾動源。
在取得候選節點的靜態機率分佈後,於步驟S130中,計算裝置會融合針對各流程分析方法所計算的靜態機率分佈,計算系統中各個候選節點為擾動源的機率。
圖4繪示本揭露一實施例中融合各個靜態機率分佈,計算各候選節點為擾動源的機率分佈的示意圖。在本實施例中,計算裝置會取得各種流程分析方法PA1至PA5所對應的拓譜資訊T1至T5中候選節點a至e的靜態機率分佈,並且加總各靜態機率分佈的總和,以作為系統中候選節點a至e為擾動源的機率。
請參考圖4,在本實施例中,以流程分析方法PA1分析系統得到的拓譜資訊T1中,候選節點a至e的靜態機率分佈例如為[0.618375, 0.148031, 0.129259, 0.052166, 0.05217];以流程分析方法PA2分析系統得到的拓譜資訊T2中,候選節點a至e的靜態機率分佈例如為[0.196186, 0.616352, 0.072801, 0.072801, 0.04186],以此類推。計算裝置會將各個靜態機率分佈作向量加總,以作為候選節點a至e為擾動源的機率分佈。在本實施例中,候選節點a至e為擾動源的機率分佈例如為[2.182221, 1.420705, 0.854696, 0.312454, 0.229925]。
必須注意的是,上述候選節點a至e為擾動源的機率分佈是由五個靜態機率分佈加總所得,因此其中的各數值是用以表示相對的機率分佈,而非表示實際的機率大小。因此,在本實施例中,計算裝置可藉由將上述候選節點a至e以此機率分佈排序為[1, 2, 3, 4, 5],便能夠判定排序最高的候選節點(例如,候選節點a)為系統的擾動源。在另一實施例中,計算裝置也可以藉由將上述機率分佈中的元素等比例地轉換為各元素總和為1的向量,用以表示各候選節點a至e的實際機率大小。換言之,在取得候選節點a至e為擾動源的機率分佈後,本揭露並不在此限制此機率分佈的用途。
請再次參考圖2,在本實施例中,藉由拓譜資訊T1至T5,計算裝置會計算出候選節點a至e為擾動源的機率分佈為[2.182221, 1.420705, 0.854696, 0.312454, 0.229925],並進一步判定候選節點a為系統的擾動源。對比於系統真實的拓譜資訊RT不難看出,本揭露之擾動源追溯方法可獲得合理且準確的排序結果。
以下將舉本揭露之另一實施例來再次詳述本揭露之擾動源追溯方法。圖5繪示本揭露一實施例之系統的管線儀控圖。圖6繪示本揭露一實施例之頻譜特徵分析的示意圖。
請參考圖5與圖6,系統中包括14個節點FC1、FC3至FC8、LC1至LC3、TC1至TC2以及PC1至PC2。在本實施例中,計算裝置會首先對系統中的14個節點進行頻譜特徵分析,並且依據頻譜特徵分析的分析結果,來篩選出頻譜特徵相近的節點作為候選節點。具體來說,如圖6所示,從頻譜特徵分析的功率頻譜中可以看出,節點TC2、FC8、LC2、FC5、PC2、TC1、FC1以及LC1具有相近的頻譜特徵,這些有相近頻譜特徵的節點很有可能彼此互相影響,因而擾動源很可能是在這些節點之中。據此,此些節點被會篩選為可能是擾動源的候選節點。在本實施例中,計算裝置會設定一個預設值,當頻譜特徵分析中的兩個頻譜特徵的差值小於此預設值時,便判定兩頻譜特徵相近。舉例來說,在功率頻譜中,若兩節點的功率峰値所對應的頻率差小於預設值時,便判定此兩節點的頻譜特徵相近。如此一來,便能夠從系統中的多個節點中篩選出可能是擾動源的候選節點,再從此些候選節點中追溯系統的擾動源。然而,本領域技術人員可視需求來對其作出修正或調整,本揭露並不在此限制頻譜特徵相近的判定方式。
在從系統的多個節點中篩選出候選節點後,計算裝置會獲得由多種流程分析方法,分別分析系統所得到的拓譜資訊。在本實施例中,多種流程分析方法包括格蘭傑因果關係檢驗法、熵轉移法、貝氏網路法以及管線儀控圖法。
圖7繪示本揭露一實施例之針對格蘭傑因果關係檢驗法的示意圖。請參考圖7,在本實施例中,由格蘭傑因果關係檢驗法分析系統可得到拓譜資訊Tgc,其中記錄有篩選出的候選節點之間的因果關係。接著,計算裝置會依據此拓譜資訊Tgc中各候選節點之間的因果關係,來建立出馬可夫鏈的轉移矩陣,其中轉移矩陣中的各元素代表兩兩候選節點之間的相互關係。藉由轉移矩陣,計算裝置可透過迭代計算轉移矩陣在穩定狀態的數值解的方式,來計算出候選節點的靜態機率分佈。在本實施例中,由格蘭傑因果關係檢驗法,基於馬可夫鏈來分析系統後,可對應得到候選節點LC1、LC2、FC1、FC5、FC8、TC1、TC2、PC2的靜態機率分佈為[0.048466, 0.314484, 0.040568, 0.067225, 0.046392, 0.04695, 0.046392, 0.389523]。
必須注意的,在本實施例中,單以格蘭傑因果分析檢驗法來分析系統,計算裝置會判定系統的擾動源為候選節點PC2。
圖8繪示本揭露一實施例之針對熵轉移法的示意圖。在本實施例中,由熵轉移法分析系統可得到拓譜資訊Tet。從拓譜資訊Tet得到候選節點的靜態機率分佈的方法是類似於圖7實例中,從拓譜資訊Tgc得到候選節點的靜態機率分佈的方法,在此不再贅述。在本實施例中,由熵轉移法來分析系統,可對應得到候選節點LC1、LC2、FC1、FC5、FC8、TC1、TC2、PC2的靜態機率分佈為[0.05174, 0.47878, 0.05174, 0.032609, 0.041509, 0.062337, 0.042577, 0.238707]。因此,在本實施例中,單以熵轉移法來分析系統,計算裝置會判定系統的擾動源為候選節點LC2。
圖9繪示本揭露一實施例之針對貝氏網路法的示意圖。在本實施例中,由貝氏網路法分析系統可得到拓譜資訊Tbn。從拓譜資訊Tbn得到候選節點的靜態機率分佈的方法是類似於圖7實例中,從拓譜資訊Tgc得到候選節點的靜態機率分佈的方法,在此不再贅述。在本實施例中,由貝氏網路法來分析系統,可對應得到候選節點LC1、LC2、FC1、FC5、FC8、TC1、TC2、PC2的靜態機率分佈為[0.045202, 0.456075, 0.173063, 0.05602, 0.04804, 0.055184, 0.097575, 0.068841]。因此,在本實施例中,單以貝氏網路法來分析系統,計算裝置會判定系統的擾動源為候選節點LC2。
圖10繪示本揭露一實施例之針對管線儀控圖法的示意圖。在本實施例中,由管線儀控圖法分析系統可得到拓譜資訊Tpid,其中記錄有系統中的所有節點之間的因果關係。接著,計算裝置會依據此拓譜資訊Tpid中各節點之間的因果關係,來建立出馬可夫鏈的轉移矩陣,其中轉移矩陣中的各元素代表兩兩節點之間的相互關係。藉由轉移矩陣,計算裝置可透過迭代計算轉移矩陣在穩定狀態的數值解的方式,來計算出節點的靜態機率分佈。
值得一提的是,上述系統中的節點中包括計算裝置藉由頻譜特徵分析所篩選出來的候選節點。因此,在本實施例中,計算裝置更從節點的靜態機率分佈中,篩選出候選節點所對應的元素,並將各元素等比例地調整使其總和為1。如此一來,此些元素便能用以表示拓譜資訊Tpid中的各候選節點的靜態機率分佈。
在本實施例中,由管線儀控圖法來分析系統,可對應得到候選節點LC1、LC2、FC1、FC5、FC8、TC1、TC2、PC2的靜態機率分佈為[0.064032, 0.417548, 0.064032, 0.079051, 0.130401, 0.104473, 0.100105, 0.040358]。
最後,計算裝置會融合針對各流程分析方法所計算的靜態機率分佈,來計算各個候選節點為擾動源的機率分佈。如下表1所示,在本實施例中,計算裝置會加總候選節點的靜態機率分佈並將其排序。加總後,各候選節點為擾動源的機率分佈為[0.20944, 1.666888, 0.329403, 0.234904, 0.266342, 0.268944, 0.286649, 0.73743]。依此機率分佈對各個候選節點進行排序後,檢視排序結果[8, 1, 3, 7, 6, 5, 4, 2]可知,LC2排序最高,因此計算裝置會將LC2判定為系統的擾動源。
<TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 節點 </td><td> LC1 </td><td> LC2 </td><td> FC1 </td><td> FC5 </td><td> FC8 </td><td> TC1 </td><td> TC2 </td><td> PC2 </td></tr><tr><td> 格蘭傑因果關係檢驗法 </td><td> 0.048466 </td><td> 0.314484 </td><td> 0.040568 </td><td> 0.067225 </td><td> 0.046392 </td><td> 0.04695 </td><td> 0.046392 </td><td> 0.389523 </td></tr><tr><td> 熵轉移法 </td><td> 0.05174 </td><td> 0.47878 </td><td> 0.05174 </td><td> 0.032609 </td><td> 0.041509 </td><td> 0.062337 </td><td> 0.042577 </td><td> 0.238707 </td></tr><tr><td> 貝氏網路法 </td><td> 0.045202 </td><td> 0.456075 </td><td> 0.173063 </td><td> 0.05602 </td><td> 0.04804 </td><td> 0.055184 </td><td> 0.097575 </td><td> 0.068841 </td></tr><tr><td> 管線儀控圖法 </td><td> 0.064032 </td><td> 0.417548 </td><td> 0.064032 </td><td> 0.079051 </td><td> 0.130401 </td><td> 0.104473 </td><td> 0.100105 </td><td> 0.040358 </td></tr><tr><td> 總和 </td><td> 0.20944 </td><td> 1.666888 </td><td> 0.329403 </td><td> 0.234904 </td><td> 0.266342 </td><td> 0.268944 </td><td> 0.286649 </td><td> 0.73743 </td></tr><tr><td> 排序 </td><td> 8 </td><td> 1 </td><td> 3 </td><td> 7 </td><td> 6 </td><td> 5 </td><td> 4 </td><td> 2 </td></tr></TBODY></TABLE>表1
值得一提的是,最後的排序結果是依據各候選節點為擾動源的機率分佈而得。因此,此排序結果還能夠呈現出系統中可能的擾動傳導路徑。在本實施例中,從排序結果能夠得知擾動的可能傳導路徑順序為LC2、PC2、FC1、TC2、TC1、FC8、FC5、LC1。如此一來,將有助於系統的問題診斷與後續的解決。
由本實施例可以看出,藉由不同的流程分析方法來分析系統得到的擾動源判定結果可能不同。詳細而言,關聯於形成擾動的原因或者其他變因,追溯系統的擾動源時可能會適用特定的流程分析方法,或導致某些流程分析方法失準。但是,實際在追溯系統的擾動源時並不可能精確考量到所有變因,因此難以選擇出最適當的單一種流程分析方法。
一般來說,單以管線儀控圖法來分析系統並追溯擾動源時,能夠達到相當的準確率(例如,60%以上)。因此,在本實施例之擾動源追溯方法所使用的四種不同的流程分析方法中,較佳為至少包括模式導向方法中的管線儀控圖法。此外,本實施例之流程分析方法中更搭配上其他的資料導向方法,並融合所分析出的靜態機率分佈。在融合針對不同導向的流程分析方法所分析出的靜態機率分佈後,可更加準確的追溯系統的擾動源。
綜上所述,本揭露的擾動源追溯方法藉由多種流程分析方法分析系統所得到的拓譜資訊,並將拓譜資訊中的因果關係導入機率分佈演算法來計算系統中多個候選節點的靜態機率分佈,最後融合針對各種流程分析方法所計算的靜態機率分佈來計算系統中各個候選節點為擾動源的機率分佈。藉此,可排除各種流程分析方法的侷限性,並且更加準確地追溯擾動源。此外,各個候選節點為擾動源的機率分佈還可呈現出系統中可能的擾動傳導路徑,將有助於問題的診斷與解決。
雖然本揭露已以實施例揭露如上,然其並非用以限定本揭露,任何所屬技術領域中具有通常知識者,在不脫離本揭露的精神和範圍內,當可作些許的更動與潤飾,故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
a、b、c、d、e‧‧‧候選節點
FC1、FC3、FC4、FC5、FC6、FC7、FC8、LC1、LC2、LC3、TC1、TC2、PC1、PC2‧‧‧節點
PA1、PA2、PA3、PA4、PA5‧‧‧流程分析方法
S110、S120、S130‧‧‧擾動源追溯方法的步驟
T1、T2、T3、T4、T5、Tgc、Tet、Tbn、Tpid、RT‧‧‧拓譜資訊
TM3‧‧‧轉移矩陣
圖1繪示本揭露一實施例之擾動源追溯方法的流程圖。 圖2繪示本揭露一實施例之多個拓譜資訊的示意圖。 圖3繪示本揭露一實施例中利用拓譜資訊計算系統中候選節點的靜態機率分佈的示意圖。 圖4繪示本揭露一實施例中融合各個靜態機率分佈,計算候選節點為擾動源的機率分佈的示意圖。 圖5繪示本揭露一實施例之系統的管線儀控圖。 圖6繪示本揭露一實施例之頻譜特徵分析的示意圖。 圖7繪示本揭露一實施例之針對格蘭傑因果關係檢驗法的示意圖。 圖8繪示本揭露一實施例之針對熵轉移法的示意圖。 圖9繪示本揭露一實施例之針對貝氏網路法的示意圖。 圖10繪示本揭露一實施例之針對管線儀控圖法的示意圖。
S110、S120、S130‧‧‧擾動源追溯方法的步驟
Claims (9)
- 一種擾動源追溯方法,適於由計算裝置從包括多個候選節點的系統中追溯擾動源,該方法包括下列步驟:獲得由多種流程分析方法,分別分析該系統所得的拓譜資訊,該拓譜資訊記錄該系統中所述候選節點之間的因果關係;將各所述拓譜資訊中的所述因果關係導入機率分佈演算法,計算各所述候選節點的靜態機率分佈;以及融合針對各所述流程分析方法所計算的所述靜態機率分佈,計算各所述候選節點為該擾動源的機率分佈,其中所述流程分析方法包括資料導向方法(data-driven method)及模式導向方法(model-based method)。
- 如申請專利範圍第1項所述的擾動源追溯方法,其中將各所述拓譜資訊中的所述因果關係導入該機率分佈演算法,計算各所述候選節點的該靜態機率分佈的步驟包括:建立記錄所述候選節點之間的所述因果關係的鄰近矩陣;正規化該鄰近矩陣為轉移矩陣;以及以迭代方式計算該轉移矩陣在穩定狀態的數值解,以作為各所述候選節點的該靜態機率分布。
- 如申請專利範圍第2項所述的擾動源追溯方法,其中以迭代方式計算該轉移矩陣在該穩定狀態的該數值解,以作為各所述候選節點的該靜態機率分布的步驟包括:計算各所述轉移矩陣在特徵值為1時的一特徵向量,以作為 所述候選節點的該靜態機率分佈。
- 如申請專利範圍第2項所述的擾動源追溯方法,其中融合針對各所述候選節點所計算的所述靜態機率分佈,計算各所述候選節點為該擾動源的機率分佈的步驟包括:計算針對各所述候選節點所計算的所述靜態機率分佈的總和,以作為該候選節點為該擾動源的機率分佈。
- 如申請專利範圍第1項所述的擾動源追溯方法,其中獲得由所述流程分析方法,分別分析該系統所得的該拓譜資訊的步驟之前,更包括:對該系統的多個節點進行一頻譜特徵分析;以及依據該頻譜特徵分析的一分析結果,篩選該頻譜特徵相近的所述節點作為所述候選節點,其中所述候選節點之間的該頻譜特徵的差值小於預設值。
- 如申請專利範圍第1項所述的擾動源追溯方法,其中在融合針對各所述流程分析方法計算的所述靜態機率分佈,計算各所述候選節點為該擾動源的機率分佈的步驟之後,更包括:排序該機率分佈所對應的各所述候選節點;以及判定排序最高的該候選節點為該系統的該擾動源。
- 如申請專利範圍第1項所述的擾動源追溯方法,其中該資料導向方法包括格蘭傑因果關係檢驗法(Granger causality test),並且該模式導向方法包括管線儀控圖法(Piping and Instrument Diagram,P&ID)。
- 如申請專利範圍第1項所述的擾動源追溯方法,其中該資料導向方法包括格蘭傑因果關係檢驗法、熵轉移法(Transfer entropy)、貝氏網路法(Bayesian network)以及交互關聯法(Cross-correlation)的至少其中之一。
- 如申請專利範圍第1項所述的擾動源追溯方法,其中該機率分佈演算法為基於馬可夫鏈(Markov chain)。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105130759A TWI608365B (zh) | 2016-09-23 | 2016-09-23 | 擾動源追溯方法 |
CN201611032532.9A CN107871197B (zh) | 2016-09-23 | 2016-11-15 | 扰动源追溯方法 |
US15/361,078 US20180089148A1 (en) | 2016-09-23 | 2016-11-25 | Disturbance source tracing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105130759A TWI608365B (zh) | 2016-09-23 | 2016-09-23 | 擾動源追溯方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI608365B true TWI608365B (zh) | 2017-12-11 |
TW201814550A TW201814550A (zh) | 2018-04-16 |
Family
ID=61230593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105130759A TWI608365B (zh) | 2016-09-23 | 2016-09-23 | 擾動源追溯方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20180089148A1 (zh) |
CN (1) | CN107871197B (zh) |
TW (1) | TWI608365B (zh) |
Cited By (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 |
TWI686615B (zh) * | 2018-10-22 | 2020-03-01 | 財團法人工業技術研究院 | 擾動源定位方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103577672A (zh) * | 2012-08-01 | 2014-02-12 | 王振华 | 故障事件分析系统及其分析方法 |
TWI524189B (zh) * | 2009-03-31 | 2016-03-01 | 東京威力科創股份有限公司 | 用以偵測工具性能劣化及不匹配之方法及系統以及相關電腦程式產品及裝置 |
Family Cites Families (26)
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 |
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 |
EP2097818A4 (en) * | 2006-11-22 | 2014-01-29 | Parkervision Inc | MULTIDIMENSIONAL ERROR CORRECTION FOR COMMUNICATION SYSTEMS |
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 |
US8620672B2 (en) * | 2009-06-09 | 2013-12-31 | Qualcomm Incorporated | Systems, methods, apparatus, and computer-readable media for phase-based processing of multichannel signal |
US8498776B2 (en) * | 2009-11-17 | 2013-07-30 | GM Global Technology Operations LLC | Fault diagnosis and prognosis using diagnostic trouble code markov chains |
US20140207385A1 (en) * | 2011-08-26 | 2014-07-24 | Philip Morris Products Sa | Systems and methods for characterizing topological network perturbations |
JP5745077B2 (ja) * | 2011-09-26 | 2015-07-08 | 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 |
CN102520708B (zh) * | 2011-10-16 | 2014-05-14 | 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 |
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 |
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 |
CN104977505B (zh) * | 2015-06-25 | 2018-01-19 | 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 |
US10055275B2 (en) * | 2015-07-14 | 2018-08-21 | Sios Technology Corporation | Apparatus and method of leveraging semi-supervised machine learning principals to perform root cause analysis and derivation for remediation of issues in a computer environment |
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 |
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 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
TWI524189B (zh) * | 2009-03-31 | 2016-03-01 | 東京威力科創股份有限公司 | 用以偵測工具性能劣化及不匹配之方法及系統以及相關電腦程式產品及裝置 |
CN103577672A (zh) * | 2012-08-01 | 2014-02-12 | 王振华 | 故障事件分析系统及其分析方法 |
Cited By (3)
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 |
TWI686615B (zh) * | 2018-10-22 | 2020-03-01 | 財團法人工業技術研究院 | 擾動源定位方法 |
US11340601B2 (en) | 2018-10-22 | 2022-05-24 | Industrial Technology Research Institute | Disturbance source positioning method |
Also Published As
Publication number | Publication date |
---|---|
US20180089148A1 (en) | 2018-03-29 |
TW201814550A (zh) | 2018-04-16 |
CN107871197B (zh) | 2022-02-01 |
CN107871197A (zh) | 2018-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Antoniou et al. | Towards a generic benchmarking platform for origin–destination flows estimation/updating algorithms: Design, demonstration and validation | |
KR102169561B1 (ko) | 데이터 클린징 시스템 및 공급물 조성을 추론하기 위한 방법 | |
TWI608365B (zh) | 擾動源追溯方法 | |
CN107665172B (zh) | 一种基于复杂加权软件网络的软件缺陷预测方法 | |
US10762165B2 (en) | Predicting quality of an information system using system dynamics modelling and machine learning | |
Marbini et al. | Adaptive sampling mechanisms in sensor networks | |
US10203262B2 (en) | Leak localization in water distribution networks | |
Ghose et al. | Comparing some neural network models for software development effort prediction | |
Kirchen et al. | Metrics for the evaluation of data quality of signal data in industrial processes | |
Xu et al. | A computational geometry method for localization using differences of distances | |
US8793106B2 (en) | Continuous prediction of expected chip performance throughout the production lifecycle | |
Wang et al. | Distance estimation by constructing the virtual ruler in anisotropic sensor networks | |
Robinson et al. | Dynamic sensor fusion using local topology | |
Azmy et al. | Quality estimation for scarce scenarios within mobile crowdsensing systems | |
Nimri et al. | Data-driven approaches and model-based methods for detecting and locating leaks in water distribution systems: a literature review | |
Xiang et al. | Fault classification for high‐dimensional data streams: A directional diagnostic framework based on multiple hypothesis testing | |
Mai et al. | Surrogate modelling for stochastic dynamical systems by combining NARX models and polynomial chaos expansions | |
Dong et al. | Empirically comparing the finite-time performance of simulation-optimization algorithms | |
Sankaranarayanan et al. | Missing data estimation and IoT‐based flyby monitoring of a water distribution system: Conceptual and experimental validation | |
Rennie et al. | Improved estimation of ADCP apparent bed-load velocity using a real-time Kalman filter | |
Pötsch et al. | Model-driven data acquisition for temperature sensor readings in wireless sensor networks | |
Oomen et al. | Estimating disturbances and model uncertainty in model validation for robust control | |
Hou et al. | A framework based on barycentric coordinates for localization in wireless sensor networks | |
Cho et al. | Robust calibration for localization in clustered wireless sensor networks | |
Ollesch et al. | Engineering Events in CPS-Experiences and Lessons Learned |