CN115511084A - 卷烟制丝设备故障根本原因的因果推理方法及存储介质 - Google Patents

卷烟制丝设备故障根本原因的因果推理方法及存储介质 Download PDF

Info

Publication number
CN115511084A
CN115511084A CN202211167849.9A CN202211167849A CN115511084A CN 115511084 A CN115511084 A CN 115511084A CN 202211167849 A CN202211167849 A CN 202211167849A CN 115511084 A CN115511084 A CN 115511084A
Authority
CN
China
Prior art keywords
fault
dbn
data
root cause
failure
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.)
Pending
Application number
CN202211167849.9A
Other languages
English (en)
Inventor
龚良浩
吴悦
徐潇媛
李文亮
季亦帆
赵志新
司小山
林保忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hongyun Honghe Tobacco Group Co Ltd
Original Assignee
Hongyun Honghe Tobacco Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hongyun Honghe Tobacco Group Co Ltd filed Critical Hongyun Honghe Tobacco Group Co Ltd
Priority to CN202211167849.9A priority Critical patent/CN115511084A/zh
Publication of CN115511084A publication Critical patent/CN115511084A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Genetics & Genomics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开卷烟制丝设备故障根本原因的因果推理方法及其存储介质，第一步，进行数据预处理；第二步，基于专家知识预定义DBN模型；第三步，求解最优DBN模型；第四步，估计DBN参数，包括故障节点的先验概率分布和症状节点的条件概率分布；第五步，利用最优的DBN模型进行故障诊断，本发明能够推理出故障发生的根本原因，从而指导技术人员采取相应的处理措施，减少技术人员排查故障所耗费的时间，提高故障处理效率，减少故障停机造成的损失，使用不完全的故障机理结合历史生产数据、维修数据，联合对故障根本原因进行因果推理，解决了人类知识的局限性和数据的不完全性问题。

Description

卷烟制丝设备故障根本原因的因果推理方法及存储介质
技术领域
本发明涉及一种根本设备故障原因的因果推理方法，具体的是涉及卷烟制丝设备故障根本原因的因果推理方法及其存储介质，主要是用于卷烟制丝设备故障根本原因的因果推理诊断，属于卷烟制丝设备故障推理诊断技术领域。
背景技术
通常来说，故障检测的意义在于，提示设备当前存在故障，但并不明确故障发生的位置；故障诊断的意义在于，提示故障出现的部位或组件，但是并不确定故障发生的根本原因，在排除故障方面，仍然需要人工仔细排查。
在烟丝设备生产过程中，从根本原因位置到检测到故障的点可能有多条路径，为了优先考虑调试过程，工厂技术人员通常感兴趣的是找到一条从根本原因节点到故障检测点的路径，该路径在创建故障产品(即最具影响力路径的识别)方面具有最大贡献。最具影响力路径的识别有助于技术人员修复生产线的异常部件，在创造中具有最高的贡献的有缺陷输出，优先使设备尽早进入正常运行状态。
首先，传统的根本原因分析和最具影响力路径的识别由现场工程师或技术人员使用专家知识来执行。在复杂的情况下，这种手动程序需要花费大量时间，并且由于专家自身的偏见而容易出错。超过预期的工厂停机时间可能导致巨大的损失。例如，卷烟单机10分钟的停机时间可能会产生8万支以上卷烟的停产的运营费用。其次，仅仅通过可视化，人类不可能意识到每一个过程，也不可能利用监控工业工厂的传感器所产生的大量数据。
其中，《机理数据双驱动结合的性能劣化故障根因定位方法》(202110632420.1)，其主要使用基于图神经网络的因果关系学习模块学习变量之间的影响关系，即因果关系；以及基于介入指标和分布指标的因果推理模块进而推断故障的根因集合及对应概率。与本发明技术方案出发点不同。
《基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法》(201910632453.9)，以深度随机森林模型为基础，之后生成级联故障树，通过逻辑关系转化为表的形式，形成2个表，分别为级联故障字典表和级联故障原因表，通过查询的方法判断故障。
上述两篇专利文件中，《机理数据双驱动结合的性能劣化故障根因定位方法》(202110632420.1)介绍的一种机理数据双驱动结合的性能劣化定位方法，当且仅当对设备机理以及数据都具备且完全时，才能适用，但是大部分设备故障机理并不完全明确，因此未明确的故障无法通过此方法定位。
《基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法》(201910632453.9)通过特征参数谱的计算得到信号的典型特征并对残差信号中的故障特征进行提取与描述，并将这些特征作为参数，一并存入参数数据库，实现飞机参数数据库的建立，从而涵盖了飞机已经或可能发生的故障信息，因此未发生的故障无法检出。
因此，研制一种实用性较强以及工作可靠性较高的卷烟制丝设备故障根本原因的因果推理方法及其存储介质是解决上述技术问题的关键所在。
发明内容
针对上述背景技术中存在的诸多缺陷与不足，本发明对此进行了改进和创新，目的在于提供一种能够实现在故障机理并不完全明确的情况下，通过遗传算法生成大量网络，之后使用正常操作和故障数据一一验证、优化，从而尽可能覆盖所有已发生、未发生、可能发生、不可能发生各类故障。
为解决上述问题并达到上述的发明目的，本发明卷烟制丝设备故障根本原因的因果推理方法及其存储介质是通过采用下列的设计结构以及采用下列的技术方案来实现的：
一种卷烟制丝设备故障根本原因的因果推理方法，包括以下步骤：
第一步，数据预处理
1.1建立历史生产数据
卷烟制丝生产以批次为主要生产单元，不同牌号、不同批次因原材料特性，产地、烟叶等级、储存时间等存在一些差别。与其他生产设备不同的是，其他行业的设备一旦开启，即处于稳定状态，但是卷烟制丝生产由于批次生产，每一个批次都会经历开启、平稳、结尾的过程。
对于一个含有Jx个测量变量的过程，假设它在一次批次操作周期内对每个过程变量采集K个测量数据，这样一次批次的数据可以组成一个二维过程数据阵X(Jx×K)，如果该牌号重复I批次，就可以得到I个二维过程数据矩阵。将这些二维数据矩阵在批次方向进行扩展，得到了三维数据表示形式X(I×Jx×K)。
作为优选，在故障诊断时，将三维数据矩阵X(I×Jx×K)展开成二维数据矩阵X(IK×Jx)，即保持变量维数不变。
1.2数据处理
在系统启停、负荷突变和运行模式切换期间，系统运行数据会发生剧烈变化。这种动态数据对于学习故障诊断模型毫无价值。作为优选，使用稳态滤波器用于去除动态数据。
Xunscaled经过缩放以标准化所有过程变量，等于X(IK×Jx)。缩放参数在离线训练阶段进行计算，并保留用于在线部署阶段。缩放可以用以下方法表达：
Figure BDA0003862110840000041
其中i为批次数，j为变量数，使用参数μj和σj对Xunscaled中的数据进行标准化处理，得到矩阵Xscaled。
第二步，基于专家知识预定义DBN模型
2.1专家知识的表示
作为优选，采用查阅说明书、专家评审等方法，建立故障描述文本表格。
之后，将文本表格中的故障描述进行属性的定义。
2.2先验深度贝叶斯网络
假设在一个卷烟制丝中存在若干类型的故障和类型的症状。一个用于卷烟制丝设备故障诊断的深度贝叶斯网络包括一组故障节点F＝{F1，…Fn}以及一组症状节点S＝{S1，…Sm}，用DBN结构矩阵表示为R＝{ri，j}(i＝1，2，…，n；j＝1，2，…，m)，如公式(2)所示。每个元素的值ri，j是0或1，如果是故障节点Fi与症状节点Sj相关则ri，j＝1，不相关则ri，j＝0。
Figure BDA0003862110840000042
专家们可以根据他们的领域知识和经验来预先定义一个DBN结构。本文提出了一个概率框架。
{ui，j}(i＝1，2，…，n；j＝1，2，…，m)是为了代表专家的故障诊断知识。在一个不确定的矩阵中，每个元素ui，j∈(0，1)表示概率Fi与相关Sj，提出了一种带有语言标签的量表，供专家确定其值ui，j，如果专家们支持Fi和Sj两者之间有关系，ui，j建议对其具有较高的值。如果专家们拒绝接受两者之间的联系，ui，j是否建议使用一个较低的值。
Figure BDA0003862110840000051
然后，提出了一种随机生成策略来确定一组分布与专家知识一致的先验DBN结构。基本概念是越大的ui，j，ri，j应设置为1.ri，j，prior是一个先验的DBN结构矩阵Rprior中的元素，ui，j和一个随机数αi，j∈(0，1).
Figure BDA0003862110840000052
第三步，求解最优DBN模型
3.1深度贝叶斯网络进行优化
采用遗传算法对先验深度贝叶斯网络的结构进行优化，以根据实际运行数据优化先前的DBN结构。
采用混合评分函数来衡量每个结构的质量。进化操作旨在模拟自然进化过程，并生成新的DBN结构种群。种群不断更新，直到DBN结构的最高得分在连续几代中保持不变。得分最高的DBN结构作为最佳解决方案输出。
初始种群由公式(2)转化而来，转化方式如下：
R＝{r1，1，…，r1，m，r2，1，…，r2，m，…，rn，1，…，rn，m} (4)
DBN结构优化的评分标准由以下公式给出：
Scoreimproved＝Scorelast+k∑log[f(ri，j，ui，j)] (5)
3.2进化操作
进行进化操作以生成替代DBN结构的新种群。
首先，采用轮盘赌选择从当前人口中选择良好的DBN结构。杂交分数较高的结构更有可能在下一代存活。
然后，通过交叉存活的DBN结构的基因子串，应用两点交叉操作来复制新的替代DBN结构。
最后，开发了一种知识引导的变异操作，对新的替代DBN结构进行修改，以增强种群多样性。
第四步，估计DBN参数
估计DBN参数包括故障节点的先验概率分布和症状节点的条件概率分布。基于先前的研究、现场调查和制丝设备的故障记录，估计先验概率分布。使用最大似然估计(MLE)算法训练条件概率分布θ。
给定由无故障子数据集和故障子数据集组成的历史操作数据集D＝{D1，D2，…Dm}，条件概率分布l(θ|D)的对数似然函数由等式计算。
l(θ|D)＝logP(D|θ)＝logΠlP(Dl|θ)＝∑llogP(Dl|θ)＝∑ijkNijklogθijk (6)
其中：θijk＝P(Xi＝k|Pa(Xi)＝j)是一个节点的条件概率，Xi为当其父母样本第j次交叉所产生的第i个子代；Nijk数据样本的数量，为Xit当其父母样本第j次交叉所产生的第i个子代的k种状态，其计算为Nij＝∑kNijk·θ为l(θ|D)最大时的估计值，其中θijk
可以通过以下式子列出：
Figure BDA0003862110840000061
第五步，利用最优的DBN模型进行故障诊断
5.1寻找最可疑的故障来解释症状的异常行为
首先，在线收集监控数据，并进行预处理以去除动态数据。
然后，稳态数据用于基于预定义规则或数据离散化技术识别症状节点的状态。根据对症状节点的观察，利用公式计算故障节点的后验概率。
5.2故障根本原因推理
在图2中，专家已利用相应知识建立了各种具体故障的指标，因此故障根本原因的推理是图2所示过程的逆过程。作为优选，在此处应用规则匹配的方法。
规则1：如果故障节点处于无故障状态的后验概率低于阈值1，则认为故障已经发生。
规则2：如果故障节点处于故障状态的后验概率高于阈值2，则以判断故障指标的符合程度，提示该故障已发生。
规则3：如果故障节点处于故障状态的后验概率阈值在1～2之间，则判断无故障发生。
优选的，所述阈值1为30％，阈值2为70％。
本发明与现有技术相比所产生的有益效果是：
1、本发明在专家知识的基础上，采用历史生产数据作为优化贝叶斯网络的基础，更贴近生产实际，达到了在故障发生后，首先提示故障存在并提示故障的组件，最终显示故障发生的根本原因和最具影响力路径，为快速解决故障提供准确有效的参考信息；
2、本方法除了对烟机设备失效概率有计算以外，进一步能够推理出故障发生的根本原因，从而指导技术人员采取相应的处理措施，减少技术人员排查故障所耗费的时间，提高故障处理效率，减少故障停机造成的损失；
3、本发明使用不完全的故障机理结合历史生产数据、维修数据，联合对故障根本原因进行因果推理，解决了人类知识的局限性和数据的不完全性问题。
4、本发明的DBN模型作为一种基础模型，可以在此基础上开发出更有意义和可解释的方法来更好地执行故障诊断任务，对于设备管理、运维等方面有明显的进步意义；
5、本发明使用遗传算法对DBN模型进行生成、优化，建立了公式(5)的评分机制，让计算机能够根据此评分公式，自动选择最优模型。
6、本发明公式(6)能够结合历史生产数据，对DBN模型对实际数据的运行结果进行评估，最终输出对应故障的概率。
附图说明
下面结合图对本发明作进一步详细的说明：其中，
图1是本发明的烟丝增温增湿(Sirox)直喷蒸汽管路示意图；
图2是本发明的预定义的DBN示意图；
图3是本发明的遗传算法生成的DBN结构示意图；
图4是本发明的产生的最优的DBN示意图；
图5是本发明的方法的流程图。
具体实施方式
为了使本发明实现的技术手段、创造特征、达成目的与功效易于明白了解，下面结合附图以及具体实施方式对本发明的技术方案作更进一步详细的说明，需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
一种卷烟制丝设备故障根本原因的因果推理方法，包括：
1.1数据预处理
1.1.1生产数据的展开
卷烟制丝生产以批次为主要生产单元，不同牌号、不同批次因原材料特性，产地、烟叶等级、储存时间等存在一些差别。与其他生产设备不同的是，其他行业的设备一旦开启，即处于稳定状态，但是卷烟制丝生产由于批次生产，每一个批次都会经历开启、平稳、结尾的过程。
对于一个含有Jx个测量变量的过程，假设它在一次批次操作周期内对每个过程变量采集K个测量数据，这样一次批次的数据可以组成一个二维过程数据阵X(Jx×K)，如果该牌号重复I批次，就可以得到I个二维过程数据矩阵。将这些二维数据矩阵在批次方向进行扩展，得到了三维数据表示形式X(I×Jx×K)。
作为优选，在故障诊断时，将三维数据矩阵X(I×Jx×K)展开成二维数据矩阵X(IK×Jx)，即保持变量维数不变。
1.1.2稳态滤波器
在系统启停、负荷突变和运行模式切换期间，系统运行数据会发生剧烈变化。这种动态数据对于学习故障诊断模型毫无价值。作为优选，使用稳态滤波器用于去除动态数据。
Xunscaled经过缩放以标准化所有过程变量，等于X(IK×Jx)。缩放参数在离线训练阶段进行计算，并保留用于在线部署阶段。缩放可以用以下方法表达：
Figure BDA0003862110840000091
其中i为批次数，j为变量数，使用参数μj和σj对Xunscaled中的数据进行标准化处理，得到矩阵Xscaled。
公式(1)中，μj是各列均值，σj各列的标准差，将μj和σj储存，可以在部署时进行实时处理，即第一步到第五步的参数传递。这样，表示正常操作条件的缩放过程数据矩阵Xscaled用于训练特征提取过程模型。
1.2.1专家知识的表示
作为优选，采用查阅说明书、专家评审的方法，首先建立以下15个故障的故障描述文本表格，如表1所示。
表1
Figure BDA0003862110840000101
之后，将文本表格中的故障描述进行属性的定义，如表2所示。
表2专家知识表示的矩阵
Figure BDA0003862110840000102
在表2中可以看到，对于技术专家们熟悉的故障，专家们可以清楚的定义，各类传感器在设备正常时所应该的测量区间，对于专家并不熟悉的，则暂时无法定义。根据各属性的区间，可以定义0为正常；1为有相应趋势但正常；2为异常；3为异常且趋势也异常。
1.2.2先验深度贝叶斯网络
假设在一个卷烟制丝中存在若干类型的故障和类型的症状。一个用于卷烟制丝设备故障诊断的深度贝叶斯网络包括一组故障节点F＝{F1，…Fn}以及一组症状节点S＝{S1，…Sm}，用DBN结构矩阵表示为R＝{ri，j}(i＝1，2，…，n；j＝1，2，…，m)，如公式(2)所示。每个元素的值ri，j是0或1.如果是故障节点Fi与症状节点Sj相关，ri，j＝1.不相关则，ri，j＝0。
Figure BDA0003862110840000111
专家们可以根据他们的领域知识和经验来预先定义一个DBN结构。本文提出了一个概率框架。
{ui，j}(i＝1，2，…，n；j＝1，2，…，m)是为了代表专家的故障诊断知识。在一个不确定的矩阵中，每个元素ui，j∈(0，1)表示概率Fi与相关Sj.提出了一种带有语言标签的量表，供专家确定其值ui，j，.如果专家们支持Fi和Sj两者之间有关系，ui，j建议对其具有较高的值。如果专家们拒绝接受两者之间的联系，ui，j是否建议使用一个较低的值.
Figure BDA0003862110840000112
然后，提出了一种随机生成策略来确定一组分布与专家知识一致的先验DBN结构。基本概念是越大的ui，j，ri，j应设置为1.ri，j，prior是一个先验的DBN结构矩阵Rprior中的元素，ui，j和一个随机数αi，j∈(0，1).
Figure BDA0003862110840000121
1.3.1深度贝叶斯网络进行优化
作为优选，采用遗传算法对先验深度贝叶斯网络的结构进行优化。
本发明提出了一种改进的基于遗传算法的方法，以根据实际运行数据优化先前的DBN结构。
采用混合评分函数来衡量每个结构的质量。进化操作旨在模拟自然进化过程，并生成新的DBN结构种群。种群不断更新，直到DBN结构的最高得分在连续几代中保持不变。得分最高的DBN结构作为最佳解决方案输出。
初始种群由公式(2)转化而来，转化方式如下：
R＝{r1，1，…，r1，m，r2，1，…，r2，m，…，rn，1，…，rn，m} (4)
DBN结构优化的评分标准由以下公式给出：
Scoreimproved＝Scorelast+k∑log[f(ri，j，ui，j)] (5)
3.2.3.3进化操作。进行进化操作以生成替代DBN结构的新种群。首先，采用轮盘赌选择从当前人口中选择良好的DBN结构。杂交分数较高的结构更有可能在下一代存活。然后，通过交叉存活的DBN结构的基因子串，应用两点交叉操作来复制新的替代DBN结构。最后，开发了一种知识引导的变异操作，对新的替代DBN结构进行修改，以增强种群多样性。
3.2.4估计DBN参数包括故障节点的先验概率分布和症状节点的条件概率分布。基于先前的研究、现场调查和制丝设备的故障记录，估计先验概率分布。使用最大似然估计(MLE)算法训练条件概率分布θ。
给定由无故障子数据集和故障子数据集组成的历史操作数据集D＝{D1，D2，…Dm}，条件概率分布l(θ|D)的对数似然函数由等式计算。
l(θ|D)＝logP(D|θ)＝logΠlP(Dl|θ)＝∑llogP(Dl|θ)＝∑ijkNijklogθijk (6)
其中：θijk＝P(Xi＝k|Pa(Xi)＝j)是一个节点的条件概率，Xi为当其父母样本第j次交叉所产生的第i个子代；Nijk数据样本的数量，为Xit当其父母样本第j次交叉所产生的第i个子代的k种状态，其计算为Nij＝∑kNijk.θ为l(θ|D)最大时的估计值，其中θijk
可以通过以下式子列出：
Figure BDA0003862110840000131
2在线故障诊断
2.1.1故障诊断基于动态贝叶斯网络的故障诊断旨在寻找最可疑的故障来解释症状的异常行为。
首先，在线收集监控数据，并进行预处理以去除动态数据。然后，稳态数据用于基于预定义规则或数据离散化技术识别症状节点的状态。根据对症状节点的观察，利用公式计算故障节点的后验概率。
2.2.1故障根本原因推理
在图2中，专家已利用相应知识建立了各种具体故障的指标，因此故障根本原因的推理是图2所示过程的逆过程。作为优选，在此处应用规则匹配的方法。
在本发明中，阈值1为30％，阈值2为70％。
规则1：如果故障节点处于无故障状态的后验概率低于30％，则认为故障已经发生。
规则2：如果故障节点处于故障状态的后验概率高于70％，则以判断故障指标的符合程度，提示该故障已发生。
规则3：如果故障节点处于故障状态的后验概率高于30％～70％之间，则认为无故障。
下面通过实施例的方式进一步说明本发明的方法。
实施例1
如图1所示的是烟丝增温增湿(Sirox)直喷蒸汽管路的示意图，其主要作用是在烘丝机前往烟丝喷入一定量的蒸汽，使烟丝在烘干时能够充分膨胀，松散。类似的管路结构在松散回潮、叶片加料、隧道式回潮机等需要喷入定量蒸汽的设备中比较常见。
9.5Mpa左右的主管路蒸汽压力经减压阀减压至3Mpa左右，经薄膜阀控制蒸汽管路开度，流量计反馈流量，实现以一定的蒸汽流量直接施加于烟丝上，薄膜阀前压力表P1测量减压前压力，薄膜阀后压力表测量减压后压力，旁通截止阀及主管路截止阀由操作人员手动控制。
表1为烟丝增温增湿(Sirox)喷蒸汽部分管路故障原因及代码，其为该段设备可能出现的故障。
表1烟丝增温增湿(Sirox)喷蒸汽部分管路故障原因及代码
故障代码 故障位置 故障描述
f1 Sirox薄膜阀阀体 阀门堵塞
f2 Sirox薄膜阀阀体 阀塞或阀座沉淀物
f3 Sirox薄膜阀阀体 阀塞或阀座侵蚀
f4 Sirox薄膜阀阀体 增加的阀门或母线摩擦力
f5 蒸汽管路 外漏泄
f6 手动阀 内部泄漏阀门密封性
f7 蒸汽管路 介质蒸发量或临界流量
f8 Sirox蒲膜阀 扭曲伺服电机活塞杆
f9 Sirox薄膜阀阀体 伺服电机外壳或端子密封性
f10 Sirox薄膜阀阀体 伺服电机的隔膜穿孔
f11 Sirox薄膜阀传动机构 伺服电机弹簧故障
f12 Sirox薄膜阀传动机构 电动传感器故障
f13 Sirox薄膜阀传动机构 杆位移传感器故障
f14 Sirox薄膜阀控制机构 压力传感器故障
f15 Sirox薄膜阀控制机构 定位器反馈故障
f16 Sirox薄膜阀控制机构 定位器供应压力下降
f17 Sirox薄膜阀控制机构 整个阀门之间的意外压力变化
f18 手动阀 完全或部分打开的旁通阀
f19 流量计 流量传感器故障
通过专家知识，预先对故障可能出现的现象进行定义，表2展示了部分故障现象及其代号。
表2部分各变量故障现象及代号
故障现象编号 故障现象 现象定义
S1 设定开度高 大于公式(1)中该变量的多批次均值
S2 设定开度正常 等于公式(1)中的变量的多批次均值
S3 设定开度低 小于公式(1)中的变量的多批次均值
S4 实际开度高 大于公式(1)中该变量的多批次均值
S5 实际开度正常 等于公式(1)中的变量的多批次均值
S6 实际开度低 小于公式(1)中的变量的多批次均值
S7 设定流量高 大于公式(1)中该变量的多批次均值
S8 设定流量正常 等于公式(1)中的变量的多批次均值
S9 设定流量低 小于公式(1)中的变量的多批次均值
S10 反馈流量高 大于公式(1)中该变量的多批次均值
S11 反馈流量正常 等于公式(1)中的变量的多批次均值
S12 反馈流量低 小于公式(1)中的变量的多批次均值
S13 阀前压力高 大于公式(1)中该变量的多批次均值
S14 阀前压力正常 等于公式(1)中的变量的多批次均值
S15 阀前压力低 小于公式(1)中的变量的多批次均值
S16 阀后压力高 大于公式(1)中该变量的多批次均值
S17 阀后压力正常 等于公式(1)中的变量的多批次均值
S18 阀后压力低 小于公式(1)中的变量的多批次均值
之后，根据表1和表2的内容，根据专家知识，可以建立一个由行为故障，列为现象，大小为[故障数*现象数]的稀疏矩阵R。
稀疏矩阵R如下所示：
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0
0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1
0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0
0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0
0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0
根据稀疏矩阵R，1为故障和现象有连接(关系)，0为故障和现象无连接(关系)。
因此可以做出如图2所示的预定义的DBN。
表3是某卷烟厂烟丝增温增湿设备故障时采集的部分数据，该数据仅截取了故障时的小部分数据，仅做算法说明使用。
表3某卷烟厂烟丝增温增湿设备故障时采集的部分数据：
fault_labelfault_name 设定开度 反馈开度 设定流量 反馈流量 阀前压力 阀后压力
1阀门堵塞 68.11 72.02 337.82 0.55 9.46 0.01
1阀门堵塞 53.59 55.68 308.39 0.59 9.55 0.08
1阀门堵塞 69.00 83.94 362.16 0.60 9.35 0.01
1阀门堵塞 40.98 58.42 292.89 0.92 9.46 0.01
1阀门堵塞 41.70 59.64 309.28 0.89 9.28 0.00
1阀门堵塞 43.29 60.50 330.19 0.93 9.28 0.10
1阀门堵塞 48.67 48.67 319.66 0.92 9.38 0.05
1阀门堵塞 60.20 70.00 357.25 0.88 9.90 0.04
1阀门堵塞 65.66 83.39 288.58 0.70 9.38 0.06
1阀门堵塞 67.55 80.02 326.19 0.69 9.49 0.06
1阀门堵塞 64.38 65.05 377.07 0.69 9.17 0.03
1阀门堵塞 52.08 53.73 307.64 0.67 9.60 0.03
1阀门堵塞 39.75 56.01 293.18 0.73 9.53 0.07
1阀门堵塞 60.69 77.04 374.13 0.83 9.53 0.08
1阀门堵塞 64.75 68.02 360.73 0.85 9.20 0.01
1阀门堵塞 58.29 65.31 336.16 0.86 9.58 0.09
1阀门堵塞 53.98 63.43 283.41 0.84 9.44 0.04
1阀门堵塞 35.19 43.67 333.32 0.87 9.93 0.03
1阀门堵塞 57.50 65.50 321.87 0.88 9.65 0.08
2定位器反馈故障 42.92 61.63 351.65 351.95 9.28 3.42
2定位器反馈故障 61.63 51.92 295.09 295.18 9.48 3.68
2定位器反馈故障 51.92 45.31 359.22 359.26 9.85 3.89
2定位器反馈故障 45.31 54.46 355.29 355.33 9.50 3.54
2定位器反馈故障 54.46 45.32 336.21 336.26 9.77 3.79
3阀塞或阀座沉淀物 45.32 9.00 332.52 45.34 9.74 3.74
3阀塞或阀座沉淀物 41.34 9.20 337.03 41.39 9.67 3.41
3阀塞或阀座沉淀物 59.28 9.60 361.12 59.32 9.46 3.18
3阀塞或阀座沉淀物 59.62 7.50 372.24 59.66 9.38 3.30
3阀塞或阀座沉淀物 47.29 6.70 349.95 47.30 9.48 3.30
3阀塞或阀座沉淀物 67.10 7.00 349.77 67.14 9.52 3.38
3阀塞或阀座沉淀物 54.98 7.10 303.03 54.98 9.55 3.54
3阀塞或阀座沉淀物 49.66 7.80 280.56 49.72 9.50 3.33
3阀塞或阀座沉淀物 47.37 7.20 299.61 47.41 9.85 3.75
3阀塞或阀座沉淀物 66.36 7.50 346.64 66.44 9.47 3.17
3阀塞或阀座沉淀物 48.35 7.60 365.68 48.38 9.67 3.52
3阀塞或阀座沉淀物 57.03 7.10 360.33 57.07 9.79 3.53
3阀塞或阀座沉淀物 39.91 7.10 374.52 39.94 9.54 3.53
3阀塞或阀座沉淀物 43.54 7.30 327.16 43.58 9.72 3.57
3阀塞或阀座沉淀物 46.33 7.20 364.85 46.40 9.55 3.46
3阀塞或阀座沉淀物 52.88 6.80 371.31 52.96 9.38 3.28
3阀塞或阀座沉淀物 48.07 7.10 324.11 48.13 9.53 3.24
3阀塞或阀座沉淀物 66.71 7.60 306.73 66.74 9.50 3.41
3阀塞或阀座沉淀物 44.51 7.20 313.13 44.55 9.45 3.26
4完全或部分打开的旁通阀 63.44 7.20 349.21 128.33 9.43 3.36
4完全或部分打开的旁通阀 41.69 7.30 370.85 178.12 9.53 3.29
4完全或部分打开的旁通阀 63.38 7.20 379.35 165.55 9.32 2.67
4完全或部分打开的旁通阀 66.73 7.30 294.47 171.28 9.56 3.27
4完全或部分打开的旁通阀 55.57 7.30 294.54 142.40 9.86 3.80
4完全或部分打开的旁通阀 57.33 7.30 305.96 208.14 9.98 2.84
4完全或部分打开的旁通阀 59.81 5.80 342.87 115.57 9.38 3.14
4完全或部分打开的旁通阀 63.95 6.00 350.64 126.81 9.92 3.21
4完全或部分打开的旁通阀 69.72 6.00 325.89 164.77 9.64 3.17
4完全或部分打开的旁通阀 66.47 5.90 292.34 157.68 9.51 2.96
4完全或部分打开的旁通阀 55.71 6.00 302.79 155.39 9.24 3.00
4完全或部分打开的旁通阀 67.10 6.10 332.61 179.37 9.06 2.69
4完全或部分打开的旁通阀 45.46 6.30 337.91 187.95 9.37 2.72
4完全或部分打开的旁通阀 65.60 5.90 352.89 138.32 9.07 2.57
4完全或部分打开的旁通阀 38.35 6.50 319.78 208.43 9.35 3.34
4完全或部分打开的旁通阀 61.50 6.10 320.34 201.14 9.61 3.61
对于预定的DBN，其每一个连接都有对应的物理意义，其意义是，对于矩阵A的每一个元素，其意义为A中对应的位置为1，则该连接存在，若为0，则该连接不存在。
因此，对于矩阵R中任意一个元素ri，j，R＝{r1，1，…，r1，m，r2，1，…，r2，m，…，rn，1，…，rn，m}，其中n为故障数，m为现象数，例如，本实施例中的矩阵R可以编码为
Code1＝[1000000000000000000000000000000000000000000001100000000000000000010001000000000000100100000000000010000000000000000000000000000000000100001000000000000000000010001000000000000100000100000010000000000000000000000010100000001000010000000000011000000000010100000000000000000000000000000000000001000000000000000000000000000000000000010010000000000000001000000000000000001000000101000000000000000000000000010000000000010010]
之后，使用遗传算法，在code1中任意变异若干个位置，如：
Code2＝[1100001000000000000000000000000000000000000001100000000000000000010001000000000000100100000000000010000000000000000000000000000000000100001000000000000000000010001000000000000100000100000010000000000000000000000010100000001000010000000000011000000000010100000000000000000000000000000000000001000000000000000000000000000000000000010010000000000000001000000000000000001000000101000000000000000000000000010000000000010010]
code1与code2再任意一个点交换其编码，交换后两个编码长度不变，形成code3：
Code3＝[1000001000000000000000000000000000000000000001100000000000000000010001000000000000100100000000000010000000000000000000000000000000000100001000000000000000000010001000000000000100000100000010000000000000000000000010100000001000010000000000011000000000010100000000000000000000000000000000000001000000000000000000000000000000000000010010000000000000001000000000000000001000000101000000000000000000000000010000000000010010]
如此形成很多编码，编码代表DBN的结构。
生成的新的DBN示意如图3所示。图中虚线表示新生成的连接。
矩阵U，其物理意义为专家们根据经验判定的该位置连接的可靠性，即故障与现象是否强相关。U的大小与R相同
Figure BDA0003862110840000191
本实施例中，矩阵U为：
0.07 0.39 0.10 0.92 0.35 0.70 0.22 0.89 0.81 0.85 0.24 0.32 0.32 0.27 0.14 0.95 0.93 0.37 0.63
0.41 0.08 0.45 0.49 0.70 0.18 0.50 0.37 0.50 0.84 0.39 0.34 0.10 0.10 0.48 0.16 0.25 0.21 0.19
0.66 0.62 0.24 0.61 0.13 0.20 0.97 0.55 0.18 0.50 0.52 0.26 0.83 0.70 0.98 0.11 0.48 0.59 0.67
0.50 0.35 0.63 0.16 0.36 0.15 0.80 0.79 0.34 0.55 0.66 0.69 0.24 0.11 0.24 0.12 0.63 0.44 0.19
0.21 0.31 0.02 0.90 0.78 0.54 0.64 0.84 0.30 0.59 0.81 0.01 0.82 0.71 0.04 0.64 0.91 0.96 0.41
0.04 0.24 1.00 0.46 0.81 0.07 0.28 0.51 0.25 0.21 0.85 0.62 0.18 0.64 0.03 0.47 0.98 0.43 0.30
0.02 0.20 0.19 0.66 0.44 0.40 0.56 0.64 0.14 0.61 0.04 0.52 0.45 0.09 0.78 0.62 0.62 0.76 0.40
0.42 0.79 0.05 0.58 0.35 0.66 0.45 0.61 0.85 0.37 0.49 0.47 0.81 0.47 0.54 0.60 0.75 0.31 0.12
0.07 0.96 0.93 0.05 0.33 0.99 0.61 0.17 0.08 0.54 0.29 0.98 0.50 0.42 0.94 0.95 0.54 0.38 0.07
0.72 0.29 0.56 0.57 0.10 0.19 0.45 0.99 0.05 0.24 0.94 0.43 0.43 0.84 0.50 0.16 0.85 0.32 1.00
0.27 0.38 0.04 0.25 0.26 0.36 1.00 0.68 0.98 0.15 0.74 0.34 0.90 0.07 0.60 0.63 0.98 0.36 0.13
0.81 0.16 0.30 0.63 0.98 0.83 0.49 0.61 0.22 0.17 0.33 0.32 0.82 0.85 0.75 0.86 0.38 0.84 0.18
0.28 0.28 0.94 0.77 0.05 0.79 0.74 0.04 0.26 0.14 0.52 0.75 0.15 0.61 0.07 0.29 0.04 0.25 0.57
0.36 0.44 0.26 0.80 0.19 0.45 0.41 0.78 0.19 0.04 0.74 0.90 0.12 0.52 0.93 0.91 0.83 0.66 0.44
0.68 0.52 0.77 0.87 0.15 0.63 0.37 0.71 0.31 0.41 0.54 0.82 0.73 0.03 0.64 0.92 0.42 0.57 0.59
0.33 0.54 0.53 0.34 0.27 0.81 0.30 0.68 0.03 0.99 0.27 0.03 0.16 0.39 0.86 0.39 0.25 0.86 0.30
0.20 0.15 0.06 0.46 0.98 0.39 0.44 0.39 0.80 0.64 0.94 0.98 0.40 0.86 0.64 0.50 0.80 0.11 0.50
0.21 0.49 0.60 0.31 0.92 0.89 0.97 0.01 0.77 0.20 0.33 0.67 0.94 0.31 0.12 0.99 0.65 0.98 0.33
0.86 0.21 0.82 0.03 0.79 0.37 0.35 0.88 0.61 0.76 0.76 0.50 0.41 0.77 0.48 0.35 0.05 0.53 0.28
0.06 0.28 0.40 0.02 0.87 0.63 0.63 0.69 0.98 0.30 0.59 0.96 0.66 0.16 0.20 0.85 0.84 0.95 0.07
0.64 0.96 0.02 0.84 0.81 0.88 0.51 0.28 0.94 0.61 0.41 0.74 0.50 0.77 0.41 0.29 0.48 0.24 0.83
0.39 0.58 0.21 0.75 0.29 0.10 0.05 0.57 0.95 0.34 0.00 0.93 0.82 0.31 0.32 0.47 0.19 0.85 0.82
之后，使用公式(5)对新的DBN，即Code3所生成的DBN进行评分，如此循环，直至产生最优的DBN，因最终生成的DNB结构比较复杂。如图4所示，以F18为例，虚线为遗传算法生成的连接。
Scoreinproved＝Scorelast+kΣlog[f(ri，j，ui，j)] (5)
使用表4某卷烟厂烟丝增温增湿设备故障时采集的部分数据数据集D，数据由一个无故障子数据集和有故障子数据集组成，表中的部分数据为故障数据子集，可以算出子数据集和故障子数据集，条件概率分布l(θ|D)的对数似然函数，公式(6)。
l(θ|D)＝logP(D|θ)＝logΠlP(Dl|θ)＝∑llogP(Dl|θ)＝∑ijkNijklogθijk (6)
其中θijk＝P(Xi＝k|Pa(Xi)＝j)是一个节点的条件概率，Xi为当其父母样本第j次交叉所产生的第i个子代；Nijk数据样本的数量，为Xit当其父母样本第j次交叉所产生的第i个子代的k种状态，其计算为Nij＝∑kNijk.θ为l(θ|D)最大时的估计值，其中θijk。
最终得出最优DBN，进行在线部署，对设备DBN进行监控。
由于旁通阀打开，经过流量计的蒸汽量不足，因此设定值会比正常状态大(S1)，实际开度也比正常状态高(S5)，阀前压力正常，但是由于旁路的分压导致阀后压力低(S18)，故障状态f18的后验概率为99.99％。此故障已成功诊断。使用从DBN生成的局部随机图直观地显示一组相关的诊断证据及其推理方向。
规则1：如果故障节点处于无故障状态的后验概率低于30％，则认为故障已经发生。
规则2：如果故障节点处于故障状态的后验概率高于70％，则以判断故障指标的符合程度，提示该故障已发生。
即规则2，发出故障报警并提示故障的根本原因为旁通阀打开。
通过以上的实施例可以得出：
本发明能够推理出故障发生的根本原因，从而指导技术人员采取相应的处理措施，减少技术人员排查故障所耗费的时间，提高故障处理效率，减少故障停机造成的损失，使用不完全的故障机理结合历史生产数据、维修数据，联合对故障根本原因进行因果推理，解决了人类知识的局限性和数据的不完全性问题；同时DBN作为一种基础模型，可在此基础上开发出更有意义和可解释的方法来更好地执行故障诊断任务，对于设备管理、运维等方面有明显的进步意义，故障从原来的定位不精准到定位精准，从原来的需要多名维修人员到明显减少一半维修人员，提高了生产效率和节省了人工成本以及时间。
最后，需要说明的是，以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (10)

1.一种卷烟制丝设备故障根本原因的因果推理方法，其特征在于，包括以下步骤：
第一步，进行数据预处理，包括建立历史生产数据并对数据进行稳态处理；
第二步，基于专家知识预定义DBN模型，包括建立故障描述文本表格、将文本表格中的故障描述进行属性的定义以及建立先验DBN模型；
第三步，求解最优DBN模型，包括对DBN进行优化以及进行进化操作以生成替代DBN结构的新种群；
第四步，估计DBN参数，包括故障节点的先验概率分布和症状节点的条件概率分布；
第五步，利用最优的DBN模型进行故障诊断，包括：
(1)寻找最可疑的故障来解释症状的异常行为；
(2)应用规则匹配方法进行故障根本原因推理，所述规则包括：
规则1：如果故障节点处于无故障状态的后验概率低于阈值1，则认为故障已经发生；
规则2：如果故障节点处于故障状态的后验概率高于阈值2，则以判断故障指标的符合程度，提示该故障已发生；
规则3：如果故障节点处于故障状态的后验概率阈值在1～2之间，则判断无故障发生。
2.根据权利要求1所述的一种卷烟制丝设备故障根本原因的因果推理方法，其特征在于，所述历史生产数据表示为X(I×Jx×K)，其中：I代表批次，Jx代表测量变量的个数，K代表每个测量变量的K个测量数据；在故障诊断时，将三维数据矩阵X(I×Jx×K)展开成二维数据矩阵X(IK×Jx)。
3.根据权利要求2所述的一种卷烟制丝设备故障根本原因的因果推理方法，其特征在于，所述对数据进行稳态处理还包括使用稳态滤波器用于去除动态数据，Xunscaled经过缩放以标准化所有过程变量，等于X(IK×Jx)；缩放参数在离线训练阶段进行计算，并保留用于在线部署阶段，缩放可以用以下方法表达：
Figure FDA0003862110830000021
其中i为批次数，j为变量数，使用参数μj和σj对Xunscaled中的数据进行标准化处理，得到矩阵Xscaled。
4.根据权利要求1所述的一种卷烟制丝设备故障根本原因的因果推理方法，其特征在于，所述建立先验DBN模型包括：
在一个卷烟制丝中存在若干类型的故障和类型的症状，一个用于卷烟制丝设备故障诊断的深度贝叶斯网络包括一组故障节点F＝{F1，…Fn}以及一组症状节点S＝{S1，…Sm}，用DBN结构矩阵表示为R＝{ri，j}(i＝1，2，…，n；j＝1，2，…，m)，如公式(2)所示；每个元素的值ri，j是0或1，如果是故障节点Fi与症状节点Sj相关则ri，j＝1，不相关则ri，j＝0；
Figure FDA0003862110830000022
{ui，j}(i＝1，2，…，n；j＝1，2，…，m)代表专家的故障诊断知识；
在一个不确定的矩阵中，每个元素ui，j∈(0，1)表示概率Fi与相关Sj；提出了一种带有语言标签的量表，供专家确定其值ui，j，如果专家们支持Fi和Sj两者之间有关系，ui，j建议对其具有较高的值；如果专家们拒绝接受两者之间的联系，ui，j是否建议使用一个较低的值；
Figure FDA0003862110830000031
Figure FDA0003862110830000032
越大的ui，j，ri，j应设置为1，ri，j，prior是一个先验的DBN结构矩阵Rprior中的元素，ui，j和一个随机数αi，j∈(0，1)。
5.根据权利要求1所述的一种卷烟制丝设备故障根本原因的因果推理方法，其特征在于，所述对深度贝叶斯网络进行优化包括：
采用遗传算法对先验深度贝叶斯网络的结构进行优化，以根据实际运行数据优化先前的DBN结构；
采用混合评分函数来衡量每个结构的质量；进化操作旨在模拟自然进化过程，并生成新的DBN结构种群；种群不断更新，直到DBN结构的最高得分在连续几代中保持不变；得分最高的DBN结构作为最佳解决方案输出；
初始种群由公式(2)转化而来，转化方式如下：
R＝{r1，1，…，r1，m，r2，1，…，r2，m，…，rn，1，…，rn，m} (4)
DBN结构优化的评分标准由以下公式给出：
Scoreimproved＝Scorelast+k∑log[f(ri，j，ui，j)] (5)。
6.根据权利要求5所述的一种卷烟制丝设备故障根本原因的因果推理方法，其特征在于，所述进行进化操作包括：
进行进化操作以生成替代DBN结构的新种群；
首先，采用轮盘赌选择从当前人口中选择良好的DBN结构。杂交分数较高的结构更有可能在下一代存活；
然后，通过交叉存活的DBN结构的基因子串，应用两点交叉操作来复制新的替代DBN结构；
最后，开发了一种知识引导的变异操作，对新的替代DBN结构进行修改，以增强种群多样性。
7.根据权利要求1所述的一种卷烟制丝设备故障根本原因的因果推理方法，其特征在于，所述先验概率分布和症状节点的条件概率分布包括：
基于先前的研究、现场调查和制丝设备的故障记录，估计先验概率分布；
使用最大似然估计(MLE)算法训练条件概率分布θ；
给定由无故障子数据集和故障子数据集组成的历史操作数据集D＝{D1，D2，…Dm}，条件概率分布l(θ|D)的对数似然函数由等式计算；
l(θ|D)＝logP(D|θ)＝logΠlP(Dl|θ)＝∑llogP(Dl|θ)＝∑ijkNijklogθijk (6)
其中：θijk＝P(Xi＝k|Pa(Xi)＝j)是一个节点的条件概率，Xi为当其父母样本第j次交叉所产生的第i个子代；Nijk数据样本的数量，为Xit当其父母样本第j次交叉所产生的第i个子代的k种状态，其计算为Nij＝∑kNijk·θ为l(θ|D)最大时的估计值，其中θijk为：
Figure FDA0003862110830000041
8.根据权利要求1所述的一种卷烟制丝设备故障根本原因的因果推理方法，其特征在于，所述寻找最可疑的故障来解释症状的异常行为包括：
首先，在线收集监控数据，并进行预处理以去除动态数据；
然后，稳态数据用于基于预定义规则或数据离散化技术识别症状节点的状态；根据对症状节点的观察，利用公式计算故障节点的后验概率。
9.根据权利要求1所述的一种卷烟制丝设备故障根本原因的因果推理方法，其特征在于，所述阈值1为30％，阈值2为70％。
10.一种计算机可读存储介质，其上存储有计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如权利要求1～9任一项所述的卷烟制丝设备故障根本原因的因果推理方法的步骤。
CN202211167849.9A 2022-09-23 2022-09-23 卷烟制丝设备故障根本原因的因果推理方法及存储介质 Pending CN115511084A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211167849.9A CN115511084A (zh) 2022-09-23 2022-09-23 卷烟制丝设备故障根本原因的因果推理方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211167849.9A CN115511084A (zh) 2022-09-23 2022-09-23 卷烟制丝设备故障根本原因的因果推理方法及存储介质

Publications (1)

Publication Number Publication Date
CN115511084A true CN115511084A (zh) 2022-12-23

Family

ID=84505992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211167849.9A Pending CN115511084A (zh) 2022-09-23 2022-09-23 卷烟制丝设备故障根本原因的因果推理方法及存储介质

Country Status (1)

Country Link
CN (1) CN115511084A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415662A (zh) * 2023-06-12 2023-07-11 四川云申至诚科技有限公司 一种基于知识发现的工厂专家系统
CN117436532A (zh) * 2023-12-21 2024-01-23 中用科技有限公司 一种洁净室气态分子污染物根因分析方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415662A (zh) * 2023-06-12 2023-07-11 四川云申至诚科技有限公司 一种基于知识发现的工厂专家系统
CN116415662B (zh) * 2023-06-12 2023-08-11 四川云申至诚科技有限公司 一种基于知识发现的工厂专家系统
CN117436532A (zh) * 2023-12-21 2024-01-23 中用科技有限公司 一种洁净室气态分子污染物根因分析方法
CN117436532B (zh) * 2023-12-21 2024-03-22 中用科技有限公司 一种洁净室气态分子污染物根因分析方法

Similar Documents

Publication Publication Date Title
CN115511084A (zh) 卷烟制丝设备故障根本原因的因果推理方法及存储介质
CN109522600B (zh) 基于组合深度神经网络的复杂装备剩余使用寿命预测方法
WO2002071360A1 (en) System, apparatus and method for diagnosing a flow system
Fast Artificial neural networks for gas turbine monitoring
Ogaji et al. Novel approach for improving power-plant availability using advanced engine diagnostics
Tang et al. A process monitoring and fault isolation framework based on variational autoencoders and branch and bound method
CN117170304B (zh) 一种基于工业物联网的plc远程监测控制方法及系统
Pinelli et al. Gas turbine health state determination: methodology approach and field application
KR20220089853A (ko) 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법
Karlsson et al. Detection and interactive isolation of faults in steam turbines to support maintenance decisions
CN105279553B (zh) 一种高加给水系统故障程度识别方法
CN110471279B (zh) 一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法
Tian et al. Causal network construction based on convergent cross mapping (CCM) for alarm system root cause tracing of nonlinear industrial process
CN114548701A (zh) 面向全量测点耦合结构分析与估计的过程预警方法及系统
US20230394301A1 (en) Device and method for tracking basis of abnormal state determination by using neural network model
Najar et al. Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW
Głuch et al. Application of preprocessed classifier type neural network for searching of faulty components of power cycles in case of incomplete measurement data
Kim et al. Two fault classification methods for large systems when available data are limited
Lee et al. A process decomposition strategy for qualitative fault diagnosis of large-scale processes
Hu et al. Fault diagnosis of the steam turbine condenser system based on SOM neural network
Orantes et al. Classification as an aid tool for the selection of sensors used for fault detection and isolation
Loboda et al. An integrated approach to gas turbine monitoring and diagnostics
Loboda et al. A universal fault classification for gas turbine diagnosis under variable operating conditions
Kelly et al. Application of the digraph method in system fault diagnostics
Kneile et al. Performance Assessment and Statistical Process Control: An Approach to Operation and Maintenance Cost Reduction

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