網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1538.tp.20150518.0907.001.html

動態(tài)不確定因果圖在化工系統(tǒng)動態(tài)故障診斷中的應(yīng)用

曲彥光1，張勤2，朱群雄1

(1.北京化工大學(xué) 信息科學(xué)與技術(shù)學(xué)院，北京 100029；2.北京航空航天大學(xué) 計(jì)算機(jī)學(xué)院，北京 100083)

摘要：為了避免化工工程中經(jīng)濟(jì)及生命的損失，有效及時(shí)檢測出故障是十分必要的。動態(tài)不確定因果圖(DUCG)是一種根據(jù)有向圖實(shí)現(xiàn)動態(tài)不確定因果關(guān)系表達(dá)與推理的方法。其處理信息的特性，對于目前規(guī)模龐大的化工過程故障診斷有著自身的優(yōu)勢。因此運(yùn)用DUCG，通過構(gòu)建對象系統(tǒng)知識庫、對故障數(shù)據(jù)進(jìn)行概率推理，實(shí)現(xiàn)化工過程的故障診斷，并針對化工過程的震蕩信號，對原DUCG系統(tǒng)的數(shù)據(jù)發(fā)送模塊做出改進(jìn)，使之適用范圍更全面。為了驗(yàn)證DUCG理論的有效性，采用TE過程作為實(shí)驗(yàn)對象，建立包含54個(gè)變量、114條因果關(guān)系的DUCG模型。該模型對TE過程中的故障得到較高診斷排序概率，診斷正確概率達(dá)到了100%，與貝葉斯網(wǎng)絡(luò)的平均診斷正確概率79.71%相比，說明了DUCG是一種行之有效的方法。

關(guān)鍵詞：化工過程；動態(tài)不確定因果圖；故障診斷；TE過程；概率推理

DOI:10.3969/j.issn.1673-4785.201503012

中圖分類號：TP391.41 文獻(xiàn)標(biāo)志碼：A

收稿日期：2015-03-09. 網(wǎng)絡(luò)出版日期：2015-05-18.

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(61273330；61473026).

作者簡介：

中文引用格式：曲彥光，張勤，朱群雄. 動態(tài)不確定因果圖在化工系統(tǒng)動態(tài)故障診斷中的應(yīng)用[J]. 智能系統(tǒng)學(xué)報(bào), 2015, 10(3): 354-361.

英文引用格式：QU Yanguang, ZHANG Qin, ZHU Qunxiong. Application of dynamic uncertain causality graph to dynamic fault diagnosis in chemical processes[J]. CAAI Transactions on Intelligent Systems, 2015, 10(3): 354-361.

Application of dynamic uncertain causality graph to

dynamic fault diagnosis in chemical processes

QU Yanguang1, ZHANG Qin2, ZHU Qunxiong1

(1. College of Information Science and Technology, Beijing University of Chemical Technology, Beijing 100029, China; 2. School of Computer Science and Engineering, Beihang University, Beijing 100083, China)

Abstract：In chemical processes, it is necessary to effectively diagnose the fault on time in order to avoid losses of economy and lives. Dynamic uncertain causality graph (DUCG) is a method, which represents and infers the dynamic, uncertain causalities of the process system according to directed graph. Based on the characteristics of processing information, DUCG has its own advantages for fault diagnosis in chemical processes on a large scale. Therefore, this article applies DUCG to realize fault diagnosis of chemical processes by constructing the object system knowledge base and probabilistic reasoning on fault data. The data transmission module of the former DUCG system is improved to deal with the vibrational signals in the chemical process, and to widen the scope of application. The Tennessee Eastman (TE) simulator is taken as the experimental subject to test the effectiveness of DUCG methodology and software. 54 variables and 114 causalities are included in the constructed DUCG knowledge model. According to this model, all the failures simulated by TE are diagnosed in a high probability of ranking. The correct diagnosis rate is 100%. In comparison of Bayesian Network (BN), the mean correct diagnosis rate is 79.71% reportedly, showing that DUCG is an effective method.

Keywords：chemical process; dynamic uncertain causality graph; fault diagnosis; Tennessee Eastman (TE) process; probabilistic reasoning

通信作者： 張勤. E-mail: zhangqin@buaa.edu.cn.

朱群雄. E-mail: zhuqx@mail.buct.edu.cn.

迅速有效地診斷出一個(gè)復(fù)雜系統(tǒng)的故障是所有過程專家和現(xiàn)場工作人員的主要目的之一。這一舉措不僅能提高產(chǎn)量，提升經(jīng)濟(jì)效益，還能降低事故發(fā)生的風(fēng)險(xiǎn)。目前已有許多學(xué)者提出了不同故障診斷的方法。大體來講，這些方法可分為3類：基于知識的方法、基于模型的方法以及基于數(shù)據(jù)驅(qū)動的方法。像專家系統(tǒng)、模糊邏輯這些基于知識的方法[1]，是利用根據(jù)系統(tǒng)特性建立的定性模型?；谀Ｐ偷姆椒?，例如狀態(tài)估計(jì)法及參數(shù)估計(jì)法[2-4]，是根據(jù)系統(tǒng)內(nèi)的物理關(guān)系來組建系統(tǒng)的分析模型。一些基于數(shù)據(jù)驅(qū)動的方法，比如神經(jīng)網(wǎng)絡(luò)(ANN)[5-6]或者主元分析法(PCA)[7]，是利用歷史過程數(shù)據(jù)統(tǒng)計(jì)進(jìn)行數(shù)學(xué)分析。上述提到的各種方法都已廣泛應(yīng)用到了各個(gè)領(lǐng)域。它們都有各自的優(yōu)缺點(diǎn)，基于知識的方法比較依賴于專家的知識，而一些基于數(shù)據(jù)驅(qū)動的方法則需要大規(guī)模的歷史數(shù)據(jù)才能得到比較準(zhǔn)確的結(jié)果。因此近些年，多種故障診斷方法的結(jié)合算法被應(yīng)用到各種過程中[8-11]。

動態(tài)不確定因果圖(dynamic uncertain causality graph, DUCG)是一種結(jié)合了定性模型與定量概率推理的新系統(tǒng)。這一方法根據(jù)知識來建立模型并根據(jù)嚴(yán)格的概率論來計(jì)算故障的概率，避免了單一定性或定量方法的缺陷。DUCG實(shí)現(xiàn)了不確定因果知識的簡潔(compact)表達(dá)，并提供了有效的概率推理，使推理結(jié)果可以解釋。作為一種新的知識表達(dá)與推理方法，DUCG已經(jīng)應(yīng)用到了醫(yī)藥領(lǐng)域[12]及核電領(lǐng)域[13]。

本文旨在證明DUCG是一種可以有效診斷化工系統(tǒng)故障的方法，在文獻(xiàn)[14]的研究基礎(chǔ)上，進(jìn)一步完善了DUCG知識庫的內(nèi)容，使診斷結(jié)果更加準(zhǔn)確，文獻(xiàn)[14]中未能模擬并診斷的故障16在本文中得到了準(zhǔn)確診斷；同時(shí)針對原DUCG系統(tǒng)在震蕩型故障上診斷的不足，用新方法給出了改進(jìn)的數(shù)據(jù)發(fā)送模塊，調(diào)整了DUCG知識庫建模，并取得了更理想的結(jié)果。

1動態(tài)不確定因果圖

1.1DUCG簡介

DUCG是一個(gè)可以包含環(huán)路的有向圖，圖1展示了DUCG所應(yīng)用的一些標(biāo)準(zhǔn)符號，這些符號的定義如下。

圖1　DUCG示例 Fig. 1　Illustration for DUCG

Bi是DUCG中的基本變量(根變量)，i為變量標(biāo)號，Bij為Bi處于j狀態(tài)的事件。B類型變量(事件)只有輸出，沒有輸入，在圖中用矩形表示。

Xn是DUCG中的結(jié)果或效果變量，在圖中用圓形表示，n為變量標(biāo)號。Xnk為Xn處于k狀態(tài)的事件。

Gn是DUCG中的邏輯門變量，至少有2個(gè)輸入，1個(gè)輸出，Gnk為Gn處于k狀態(tài)的事件。邏輯門把其輸入變量各狀態(tài)的某種邏輯組合作為其一個(gè)狀態(tài)，從而使DUCG的表達(dá)更加簡潔。

Dn是DUCG中的缺省事件，代表Xn的未知原因，用五邊形表示。

實(shí)箭頭表示連接變量，寫為Fn;i，是原因變量Vi(V∈{B，X，G，D})作用于結(jié)果變量Xn的作用變量。由于Vi和Xn有不同狀態(tài)，F(xiàn)n;i是一個(gè)矩陣，由Fnk;ij組成。Pr{Fnk;ij}=(rn;i/rn)Pr{Ank;ij}=(rn;i/rn)ank;ij，其中Ank;ij代表Vij導(dǎo)致Xnk發(fā)生這一虛擬的因果作用事件，其發(fā)生概率為ank;ij，rn;i>0為Vi和Xn之間存在因果關(guān)系的關(guān)聯(lián)度，rn=∑irn,i。

虛箭頭表示條件作用變量，即僅當(dāng)條件Zn;i滿足時(shí)，F(xiàn)n;i才成立，否則Fn;i被刪除。

1.2DUCG的概率推理

DUCG的概率推理基于如下假設(shè)：

假設(shè)Vi是Xn的父變量，那么有

(1)

式中：xnkPr{Xnk}，vijPr{Vij}。

DUCG概率推理的第1項(xiàng)工作是根據(jù)接收到的證據(jù)對DUCG進(jìn)行化簡。當(dāng)DUCG接收到了證據(jù)信息E(通常為一組X變量的狀態(tài)事件)，就可以通過證據(jù)信息E中觀測到的X變量的非正常狀態(tài)實(shí)現(xiàn)DUCG的化簡：不可能存在及無意義的變量和因果關(guān)系將在推理過程中被刪除?；喌囊?guī)則和細(xì)節(jié)詳見參考文獻(xiàn)[15]，這些化簡規(guī)則可以反復(fù)任意順序使用直至DUCG無法繼續(xù)化簡。化簡DUCG，不僅可以迅速找到問題區(qū)間，還可以在保證計(jì)算精確度的同時(shí)，大幅降低計(jì)算規(guī)模。

接下來第2項(xiàng)工作是對E中的事件按照式(1)進(jìn)行邏輯展開，用以計(jì)算Pr{Hkj|E}=Pr{HkjE}/Pr{E}，其中Hkj為待求的假設(shè)事件，亦即故障事件，通常為B類型事件，僅存于化簡后的DUCG中。展開HkjE和E的方法相同，詳見參考文獻(xiàn)[15]。在展開的表達(dá)式中，只有F和B類型事件，將其發(fā)生概率代入即可計(jì)算Hkj的驗(yàn)后概率。

對于動態(tài)故障診斷，DUCG目前采用的方法是假定各時(shí)間片ti內(nèi)的化簡DUCG均包含待求故障假設(shè)Hkj，且證據(jù)E(ti)在給定Hkj的條件下獨(dú)立，則用式(2)進(jìn)行計(jì)算：

(2)

式中：S(ti)為ti時(shí)刻化簡DUCG中的故障假設(shè)集合，t0為未收到故障信號前的時(shí)刻。

2TE過程

為了驗(yàn)證DUCG在故障診斷上的有效性，采用了Tennessee Eastman(TE)過程作為診斷的實(shí)例。TE過程是由Tennessee Eastman公司設(shè)計(jì)的實(shí)際工業(yè)過程的仿真模擬，旨在開發(fā)、研究及評價(jià)過程控制理論和技術(shù)。Ricker針對這一過程編譯了matlab的仿真程序。本文采用了Ricker提供的程序，該TE過程的工藝流程圖及采用的控制回路如圖2所示。

圖2　TE過程工藝流程 Fig. 2　The Tennessee Eastman process

TE過程由5個(gè)主要單元組成：反應(yīng)器、冷凝器、汽提塔，氣液分離裝置及壓縮機(jī)；TE的生產(chǎn)過程包含4種氣態(tài)的起始反應(yīng)物：A、C、D、E，每種起始反應(yīng)物都混有1%的惰性氣體B，它們被喂入反應(yīng)器后會生成2種氣態(tài)產(chǎn)物G和H，同時(shí)會生成液態(tài)副產(chǎn)物F。該過程包含了41個(gè)觀測變量、12個(gè)操作變量以及20個(gè)故障(見表1)。故障1至故障8為數(shù)據(jù)階躍變化的故障；故障9至故障12為數(shù)據(jù)隨機(jī)變化的故障；故障13是反應(yīng)動力學(xué)緩慢漂移；故障14和15為數(shù)據(jù)稱震蕩趨勢的閥門粘滯故障；故障16至故障20為未知故障。TE過程被廣泛的應(yīng)用到各種不同研究領(lǐng)域來測試各種理論的實(shí)際效果。在故障診斷領(lǐng)域，像PCA、貝葉斯網(wǎng)絡(luò)(BN)等理論已經(jīng)通過TE過程證明了其有效性。在本文中，TE過程也用于驗(yàn)證DUCG理論的有效性，基于不同的故障，TE過程的故障數(shù)據(jù)不僅可以當(dāng)作離線數(shù)據(jù)來建立DUCG模型，同時(shí)可以仿真成實(shí)時(shí)數(shù)據(jù)來驗(yàn)證DUCG的實(shí)時(shí)性。

表 1　TE中模擬的故障

3TE知識庫的建立及診斷結(jié)果

3.1TE知識庫的建立

要應(yīng)用DUCG理論，首先要建立過程的DUCG知識庫。知識庫的建立步驟如下：

1)根據(jù)目標(biāo)過程建立變量列表，在TE過程中，故障被定義成B型變量，觀測變量和操作變量被定義成X型變量。

2)對B型及X型變量進(jìn)行狀態(tài)劃分。

3)定義B型變量的先驗(yàn)概率參數(shù)。

4)根據(jù)專家經(jīng)驗(yàn)建立子DUCG。

5)通過計(jì)算機(jī)將所有子DUCG合成，形成完整的DUCG知識庫。

根據(jù)上述步驟，所建立的TE過程的知識庫模型如圖3所示。在這一TE過程的知識庫中，一共選取了54個(gè)變量。其中有20個(gè)B型變量作為根變量，既TE過程的20個(gè)故障；還有由25個(gè)觀測變量和9個(gè)操作變量組成的34個(gè)X型變量，通過這34個(gè)變量可以清晰地觀測到所有故障的傳遞過程。

圖3　TE過程知識庫 Fig. 3　The knowledge base of TE process

與文獻(xiàn)[14]建立的知識庫相比，本知識庫引入了變量X34，使原先無法診斷出的故障16得出了良好的診斷結(jié)果，并對知識庫的其他連接事件及連接強(qiáng)度進(jìn)行了重新計(jì)算與調(diào)整。表2列出了34個(gè)X型變量的詳細(xì)信息。

本文沒有使用到子DUCG(當(dāng)然可以根據(jù)不同的分類建立子DUCG)，但是在大規(guī)模的系統(tǒng)中，子DUCG的存在就是十分必要的了。

表 2　X型變量說明

3.2TE過程的故障診斷

由于TE過程故障較多，本文只列舉了幾個(gè)典型的故障進(jìn)行詳細(xì)的講述。

TE過程的一個(gè)典型故障時(shí)A/C進(jìn)料比發(fā)生變化、B組分不變(故障1)，該故障類型為階躍。從故障數(shù)據(jù)可以觀測到該故障的異常狀態(tài)為E=X1,2X7,2X9,1X10,2X12,1X14,2X17,2X18,1X22,2X27,2X29,2，其他X型變量的狀態(tài)是正常的。當(dāng)這些異常狀態(tài)的信號被輸入到DUCG后，DUCG的推理機(jī)將開始工作，所有不相關(guān)或無意義的變量和因果關(guān)系都從DUCG中刪除。圖4展示了故障1的推理結(jié)果。在圖4中，淺灰色表示變量的狀態(tài)為高，深灰色表示變量的狀態(tài)為低(不同顏色代表的不同狀態(tài)可以查閱DUCG的變量列表)，從圖中可以很容易地理解故障1的推理結(jié)果。

圖4　故障診斷結(jié)果 Fig. 4　The diagnosis result of TE process

故障診斷的推理結(jié)果和預(yù)計(jì)一樣是正確的，因?yàn)橹挥蠦1能引起所有圖中的異常狀態(tài)。由于推理結(jié)果中只有一個(gè)B型變量，B1是根據(jù)觀測到的證據(jù)所得到的惟一結(jié)果，B變量的先驗(yàn)概率及作用強(qiáng)度都可以忽略。

3.3震蕩型故障的處理方法

TE過程的另一典型故障是反應(yīng)器冷卻水閥門粘滯(故障14)，該故障的故障數(shù)據(jù)呈震蕩趨勢。由于原DUCG的采用的是只保留異常變量的初始狀態(tài)這一方法，在處理化工過程普遍存在的震蕩型故障存在著一些不足，無法準(zhǔn)確推理出震蕩故障的結(jié)果。針對這一問題，本文對數(shù)據(jù)發(fā)送模塊重新進(jìn)行了編譯，采用了五點(diǎn)計(jì)數(shù)法、將震蕩當(dāng)作一個(gè)異常狀態(tài)來處理，使診斷結(jié)果更加準(zhǔn)確，更適用于化工系統(tǒng)。該方法設(shè)置檢測到變量的狀態(tài)為高的次數(shù)為a，檢測到變量的狀態(tài)的低的次數(shù)為b，當(dāng)a+b=5時(shí)，則令變量狀態(tài)發(fā)送模塊發(fā)送出震蕩狀態(tài)。從最初的故障數(shù)據(jù)可以觀測到故障的異常狀態(tài)為X9,1、X11,1、X19,1，其余的變量和因果關(guān)系被刪除，經(jīng)過一段時(shí)間后，震蕩狀態(tài)被檢測出來，故障的異常狀態(tài)更新為X9,5、X11,5、X19,5，并輸入到DUCG中得到新的診斷結(jié)果。此方法不僅適用于處理震蕩故障，同時(shí)也可以處理階躍等各種類型的故障。圖5展示了采用不同的處理方法對故障14的診斷結(jié)果。圖5(a)為采用原始方法得出的診斷結(jié)果，排序概率僅為1.23%，圖5(b)為采用新方法得出的診斷結(jié)果，排序概率已達(dá)100%。從圖中可以明顯發(fā)現(xiàn)，新的處理方法診斷的結(jié)果更加準(zhǔn)確。

(a)原始方法，排序概率為1.23%

(b)新方法，排序概率為100% 圖5　故障14的診斷結(jié)果 Fig. 5　The fault diagnosis result of fault 14

3.4診斷結(jié)果

DUCG可以清晰地描述故障的傳遞過程，如圖6所示。在t1時(shí)刻，DUCG接收到了異常狀態(tài)X14, 2和X12, 1；根據(jù)這2個(gè)異常狀態(tài)，推理機(jī)給出了如圖6(a)的推理結(jié)果：B1。當(dāng)這2個(gè)狀態(tài)引起異常狀態(tài)X7,2發(fā)生并輸入到推理機(jī)后，DUCG轉(zhuǎn)變成圖6(b)所示的推理結(jié)果。隨著時(shí)間的進(jìn)一步推移，DUCG的推理結(jié)果也如圖6(c)~6(g)一樣逐步展開，圖6(g)便為包含了所有異常狀態(tài)的最終展開結(jié)果。

(a)t 1 時(shí)刻診斷結(jié)果

(b)t 2 時(shí)刻診斷結(jié)果

(c)t 3 時(shí)刻診斷結(jié)果

(d)t 4 時(shí)刻診斷結(jié)果

(e)t 5 時(shí)刻診斷結(jié)果

(f)t 6 時(shí)刻診斷結(jié)果

(g)t 7 時(shí)刻診斷結(jié)果 圖6　故障14的診斷結(jié)果 Fig. 6　The fault diagnosis result of fault 14

DUCG不僅能展示故障隨著時(shí)間的發(fā)展逐步展開的過程，隨著更多證據(jù)的輸入，DUCG推理出的結(jié)果也越來越精確。由于故障1具有唯一的推理結(jié)果，這一過程未在上述結(jié)果中體現(xiàn)出來。因此圖7中故障14的推理過程展示了推理結(jié)果隨證據(jù)增加更加精確的過程。在震蕩過程被檢測到之前，由于在故障初始B11與B14具有相同的故障特征，推理機(jī)給出的推理結(jié)果為B11，診斷概率如圖7(a)所示僅為0.4%，隨著更多證據(jù)的輸入，震蕩狀態(tài)被檢測出來并輸入到推理機(jī)，診斷概率就如圖7(d)所示上升至100%。

(a)t 1 時(shí)刻診斷結(jié)果, 排序概率為 0.4%

(b)t 2 時(shí)刻診斷結(jié)果, 排序概率為 0.99%

(c)t 3 時(shí)刻診斷結(jié)果, 排序概率為 1.23%

(d)t 4 時(shí)刻診斷結(jié)果, 排序概率為 100% 圖7　故障14的傳遞過程 Fig. 7　The transfer process of fault 14

DUCG在知識不完備的情況下也可取得良好的診斷結(jié)果。TE過程的故障16為未知故障，其排序概率如圖8所示，也達(dá)到了100%。

圖8　故障16診斷結(jié)果 Fig. 8　The fault diagnosis result of fault 16

不僅是上述3個(gè)故障，其余的17個(gè)故障也取得了不錯(cuò)的診斷結(jié)果，所有故障的排序概率如表3所示。

表 3　TE過程排序概率

表 4　故障診斷結(jié)果

每一個(gè)故障的排序概率為該故障數(shù)據(jù)的概率分布，一般情況下，可以認(rèn)為正確故障的概率分布大于50%時(shí)(排在第一位)，則診斷結(jié)果正確。所有故障診斷結(jié)果與貝葉斯網(wǎng)絡(luò)診斷結(jié)果[16]對比如表4所示。從結(jié)果看出DUCG針對20個(gè)故障的診斷都取得了正確的結(jié)果，所有故障的排序概率均高于50%，診斷正確概率均達(dá)到100%；與貝葉斯網(wǎng)絡(luò)診斷結(jié)果相比，DUCG診斷正確概率都要優(yōu)于貝葉斯網(wǎng)絡(luò)，尤其是故障3、9、15及18的診斷結(jié)果，DUCG要遠(yuǎn)遠(yuǎn)優(yōu)于貝葉斯網(wǎng)絡(luò)。

4結(jié)束語

本文將DUCG用于化工系統(tǒng)的故障診斷，以TE過程作為實(shí)驗(yàn)對象，針對化工系統(tǒng)特性重新編譯了DUCG數(shù)據(jù)發(fā)送模塊，調(diào)整構(gòu)建了包含54個(gè)變量的TE過程知識庫，并取得了不錯(cuò)的故障診斷效果。

通過分析實(shí)驗(yàn)結(jié)果，可以發(fā)現(xiàn)DUCG理論在故障診斷領(lǐng)域的優(yōu)勢：1)DUCG可以隨著時(shí)間的變化而變化，清晰地展示故障的傳遞過程。2)DUCG可以實(shí)現(xiàn)實(shí)時(shí)的故障診斷，其實(shí)時(shí)性對實(shí)際的化工過程有著重要的意義。3)可以將系統(tǒng)拆分由不同的領(lǐng)域?qū)＜医⒆覦UCG，這樣不僅有助于簡化大型復(fù)雜系統(tǒng)的建立，同時(shí)也使構(gòu)建的DUCG系統(tǒng)更加精確。作為一種基于知識的理論，DUCG也存在著一些缺點(diǎn)，例如依賴于專家知識等。目前DUCG動態(tài)診斷方法基于每個(gè)時(shí)間片的化簡DUCG都包含真實(shí)故障的假設(shè)。這對建造DUCG知識庫提出了很高的要求。針對這一缺點(diǎn)，一種新的稱為立體DUCG的算法正在開發(fā)當(dāng)中。

參考文獻(xiàn):

[1]ABDULGHAFOUR M, EL-GANAL M A. A fuzzy logic system for analog fault diagnosis[C]//1996 IEEE International Symposium on Circuits and Systems. Atlanta, USA, 1996: 97-100.

[2]ICHALAL D, MARX B, RAGOT J, et al. An approach for the state estimation of Takagi-Sugeno models and application to sensor fault diagnosis[C]//Proceedings of the 48th IEEE Conference on Decision and Control, Jointly with the 28th Chinese Control Conference. Shanghai, China, 2009: 7789-7794.

[3]BACHIR S, TNANI S, TRIGEASSOU J C, et al. Diagnosis by parameter estimation of stator and rotor faults occurring in induction machines[J]. IEEE Transactions on Industrial Electronics, 2006, 53(3): 963-973.

[4]REPPA V, TZES A. Fault detection and diagnosis based on parameter set estimation[J]. IET Control Theory and Applications, 2011, 5(1): 69-83.

[5]DARWISH H A, TAALAB A M I, KAWADY T A. Development and implementation of an ANN-based fault diagnosis scheme for generator winding protection[J]. IEEE Transactions on Power Delivery, 2001, 16(2): 208-214.

[6]MOREIRA M P, SANTOS L T B, VELLASCO M M B R. Power transformers diagnosis using neural networks[C]//International Joint Conference on Neural Networks. Orlando, USA, 2007: 1929-1934.

[7]FERRACUTI F, GIANTOMASSI A, LONGHI S, et al. Multi-scale PCA based fault diagnosis on a paper mill plant[C]//2011 IEEE Conference on Emerging Technologies & Factory Automation. Toulouse, France, 2011: 1-8.

[8]ZHAO X X, YUN Y X. A fault diagnosis method combined fuzzy logic with CMAC neural network for power transformers[C]//Chinese Conference on Pattern Recognition. Nanjing, China, 2009: 1-5.

[9]LAU C K, GHOSH K, HUSSAIN M A, et al. Fault diagnosis of Tennessee Eastman process with multi-scale PCA and ANFIS[J]. Chemometrics and Intelligent Laboratory Systems, 2013, 120: 1-14.

[10]KARIMI I, SALAHSHOOR K. A new fault detection and diagnosis approach for a distillation column based on a combined PCA and ANFIS scheme[C]//2012 24th Chinese Control and Decision Conference. Taiyuan, China, 2012: 3408-3413.

[11]CHEN X Y, YAN X F. Using improved self-organizing map for fault diagnosis in chemical industry process[J]. Chemical Engineering Research and Design, 2012, 90(12): 2262-2277.

[12]DONG C L, WANG Y J, ZHANG Q, et al. The methodology of dynamic uncertain causality graph for intelligent diagnosis of vertigo[J]. Computer Methods and Programs in Biomedicine, 2014, 113(1): 162-174.

[13]ZHANG Qin, DONG Chunling, CUI Yan, et al. Dynamic uncertain causality graph for knowledge representation and probabilistic reasoning: statistics base, matrix, and application[J]. IEEE Transactions on Neural Networks and Learning Systems, 2014, 25(4): 645-663.

[14]楊佳婧, 張勤, 朱群雄. 動態(tài)不確定因果圖在化工過程故障診斷中的應(yīng)用[J]. 智能系統(tǒng)學(xué)報(bào), 2014, 9(2): 154-160.

YANG Jiajing, ZHANG Qin, ZHU Qunxiong. Application of dynamic uncertain causality graph to fault diagnosis in chemical processes[J]. CAAI Transactions on Intelligent Systems, 2014, 9(2): 154-160.

[15]ZHANG Qin. Dynamic uncertain causality graph for knowledge representation and reasoning: discrete DAG cases[J]. Journal of Computer Science and Technology, 2012, 27(1): 1-23.

[16]VERRON S, TIPLICA T, KOBI A. Monitoring of complex processes with Bayesian networks[M]//REBAI A. Bayesian Network. Rijeka, Croatia: Sciyo, 2010: 213-228.

曲彥光，男，1990年生，碩士研究生，主要研究方向?yàn)閯討B(tài)不確定因果圖及故障診斷。

張勤，男，1956年生，教授，博士生導(dǎo)師，博士，主要研究方向?yàn)閯討B(tài)不確定因果圖理論及應(yīng)用、系統(tǒng)可靠性評價(jià)與管理、知識產(chǎn)權(quán)理論及應(yīng)用等。任國際原子能機(jī)構(gòu)《與安全有關(guān)的專家系統(tǒng)》中方課題負(fù)責(zé)人，國家“九五”重大軟課題負(fù)責(zé)人、國家自然科學(xué)基金、國家中長期科技發(fā)展規(guī)劃綱要等多項(xiàng)課題負(fù)責(zé)人，中國人工智能學(xué)會不確定性人工智能專業(yè)委員會主任。

朱群雄，男，1960年生，教授，博士生導(dǎo)師，博士，主要研究方向?yàn)橹悄芙Ｅc優(yōu)化、數(shù)據(jù)挖掘與故障診斷。主持完成國家自然科學(xué)基金、國家“863”計(jì)劃、省部級科研和企業(yè)工程項(xiàng)目20余項(xiàng)，獲省部級科技進(jìn)步一等獎2項(xiàng)、二等獎1項(xiàng)，發(fā)明專利和國家軟件著作權(quán)10余項(xiàng)，發(fā)表學(xué)術(shù)論文200余篇。