基于故障相关变量因果关系分析的工业过程故障根因诊断.pdfVIP

第51卷第6期化工自动化及仪表1035

D0I:10.20030/ki.1000-3932.202406012

基于故障相关变量因果关系分析的工业过程

故障根因诊断

孙丽华王文静朱宏涛姜庆超

（华东理工大学信息科学与工程学院）

摘要提出了一种数据驱动的故障根因分析方法，旨在通过数据处理和可解释相关性分析，准确识别

系统故障的根本原因。首先，采用基于神经网络的变量挑选方法，通过深度学习技术自动挑选出与故障

相关的关键变量，以提高数据的有效性。随后，运用沙普利加法解释模型对挑选出的变量进行可解释相

关性分析，分析各个变量对故障发生时系统的贡献度。接着，引入偏交叉映射方法进行因果关系分析，探

索变量之间的因果关系，找出导致故障的关键因素，定位和识别导致故障发生的根本原因变量。最后在

两个案例应用中证明了该方法的适用性。

关键词故障诊断根因分析故障相关变量可解释相关性分析

中图分类号TP277文献标志码A文章编号1000-3932(2024)06-1035-10

故障诊断是工业过程监测中的重要一环，在QIANJC等提出了一种局部线性反向传播的非

工业过程发生故障时，分析故障发生的原因并定线性过程故障诊断方法，基于贡献重构的基本思

位故障的根源至关重要，这也是保障系统正常运想，利用反向传播算法描述故障信息的传播。

行的关键任务之一[1-3]。变量故障可能随生产蔓延ZHAOH等对于间歇过程的多变量统计过程控制

到整个过程，导致其他变量偏离正常范围，为了的贡献图进行了深入研究[121]。但是基于贡献图的

准确定位故障发生的位置并及时做出纠正，在故方法有涂抹效应，即变量故障经过传播使多个变

障检测后，对所检测故障的根本原因进行分析是量对故障的贡献度都有所增加，这对故障诊断十

分不利。稀疏方法应用正则化技术，是故障诊断

十分必要的[4-6]。基于贡献图的方法是一种常见的

故障诊断方法[7]。贡献图方法根据故障发生时，故的一个新的研究方向。为了缓解诊断涂抹效应，

障相关变量对故障检测统计量的贡献度选取候WANGK等提出了一种基于稀疏负载的贡献图，

选故障变量。通过对贡献度从高到低的排名，实以提高诊断性能[13]。JIANGJ等提出了一种基于

现故障的诊断。ELSHENAWYLM等提出了一种Lasso的高效故障识别框架[14]。ZHENGK等提出了

基于多变量贡献分析的自适应诊断方法来诊断一个与群Lasso结合的广义贡献图框架,无需先验

时变过程中的故障[8]。HEY等针对非线性过程提知识[15]。但是上述方法没有对故障传播的路径进

出了基于核PCA检测的贡献图故障定位方法[9]。行分析，从而无法对根因变量进行更精准的定

ZHOUP等对于非线性过程提出了基于核PLS的位。

故障识别方法，在统计量的新样本中引人比例因因果推理方法能够更好地分析动态多变量

子向量，从而构建监测指标函数定位变量[10]。系统，从而准确地分析故障传播路径[161。常见的

基金项目：国家自然科学基金（批准号资助的课题。

作者简介：孙丽华（1993-），讲师，从事自动化测控系统的研究。

通讯作者：姜庆超（1986-），教授，从事复杂过程智能建模与模式识别、工业大数据解析与过程故障诊断的研究，

qcjiang@。

引用本文：孙丽华，王文静，朱宏涛，等.基于故障相关变量因果关系分析的工业过程故障根因诊断[J].化工自动

化及仪表,2024,51(6)：1035-1044.

1036化工自动化及仪表2024年

因果分析方法包含格兰杰因果关系[17](Granger变[26-28],因此在寻找故障发生的根本原因之前，首

Causality,GC)、向量自回归[18,19]、方差分解[20]、动