基于符号有向图与趋势分析的故障诊断框架

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (13): 6-9.

基于符号有向图与趋势分析的故障诊断框架

高东，许欣，马昕，张贝克

北京化工大学信息科学与技术学院自动化系，北京 100029

出版日期:2014-07-01 发布日期:2015-05-12

Signed directed graph and trend analysis based framework for fault diagnosis

GAO Dong, XU Xin, MA Xin, ZHANG Beike

Departmart of Automation, College of Information Science and Technology, Beijing University of Chemical Technology, Beijing 100029, China

Online:2014-07-01 Published:2015-05-12

摘要/Abstract

摘要： 针对传统基于符号有向图（SDG）的故障诊断方法可能遗漏真正故障以及分辨率不高的问题，提出了一种SDG与定性趋势分析相结合的故障诊断框架。故障发生后，通过提取变量的定性趋势来获取变量的状态，并根据基于定性趋势的相容规则进行反向推理，找到所有可能的故障。对诊断结果按照可信度系数（Confidence Index，C.I.）进行排序，提高诊断的分辨率。案例研究表明该框架能够保证诊断结果完备性并有效地提高诊断分辨率，可以应用到实际化工过程故障诊断中。

关键词: 符号有向图, 定性趋势分析, 故障诊断

Abstract: For the problems of the real faults being missed and poor diagnosis resolution in Signed Directed Graph（SDG） based fault diagnosis, a SDG and qualitative trend analysis based framework has been proposed. When faults occur, the qualitative trends are extracted to represent the states of variables. And then inverse inference is carried out to find all the possible faults using consistence rules, which are basing on qualitative trends. The diagnosis resolution can be improved by ranking the results according to Confidence Index（C.I.）. The case study proves that the diagnosis resolution is improved and diagnosis completeness is satisfied using the framework. It can be applied in fault diagnosis in chemical process.

Key words: Signed Directed Graph（SDG）, qualitative trend analysis, fault diagnosis

高东，许欣，马昕，张贝克. 基于符号有向图与趋势分析的故障诊断框架[J]. 计算机工程与应用, 2014, 50(13): 6-9.

GAO Dong, XU Xin, MA Xin, ZHANG Beike. Signed directed graph and trend analysis based framework for fault diagnosis[J]. Computer Engineering and Applications, 2014, 50(13): 6-9.

[1]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[4]	李振涛，冯元珍，王正新. 事件触发下多智能体系统固定时间二分一致性[J]. 计算机工程与应用, 2021, 57(21): 80-86.
[5]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[6]	唐登平，蔡文嘉，邹立，胡翔，丁黎，王雪. 改进卷积神经网络在互感器故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(11): 239-247.
[7]	衷路生，刘东东. 多级神经网络的轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(7): 193-199.
[8]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[9]	余萍，曹洁. 深度学习在故障诊断与预测中的应用[J]. 计算机工程与应用, 2020, 56(3): 1-18.
[10]	毛彪，杨松，李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3): 259-265.
[11]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[12]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.
[13]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[14]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[15]	王得雪，林意，陈俊杰. 协同训练算法在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2020, 56(12): 273-278.