SDG与趋势分析结合的故障诊断新框架

"基于符号有向图与趋势分析的故障诊断框架 (2014年)：一种结合SDG（符号有向图）和定性趋势分析的故障诊断新方法，旨在解决传统SDG方法可能遗漏故障和分辨率低的问题。通过分析变量的定性趋势来确定其状态，并利用相容规则进行反向推理，找出所有可能的故障源。通过可信度系数（C.I.）对诊断结果排序，提升诊断分辨率。在案例研究中，该框架表现出了完备性和高分辨率，适用于实际化工过程的故障诊断。" 本文深入探讨了在化工过程故障诊断中的技术进步，特别是在计算机技术快速发展背景下的挑战。传统的基于符号有向图（Signed Directed Graph, SDG）的故障诊断方法虽然无需构建定量模型且能揭示故障传播路径，但存在可能遗漏真实故障和分辨率较低的问题。为了改善这些不足，作者提出了一种结合SDG与定性趋势分析的故障诊断框架。 首先，文章介绍了SDG故障诊断方法的发展，包括模型改进、多故障诊断研究、控制系统故障诊断以及与其他方法的结合。然而，现有的SDG模型通常仅使用" + "、" - "和" 0 "三种状态表示变量，这种方法虽然简单明了，但在处理复杂状态变化时可能不够精确。 为了解决这个问题，新框架引入了变量的定性趋势分析。当故障发生时，通过分析变量的趋势变化来获取更精确的状态信息。然后，根据这些定性趋势，利用相容规则进行反向推理，找出所有可能导致当前状态的故障源。通过可信度系数（Confidence Index, C.I.）对这些可能的故障进行排序，使得诊断结果更加有序，提高了故障定位的准确性。 案例研究证明，这种新的故障诊断框架能确保诊断结果的完备性，即不会遗漏真正的故障，同时显著提高了诊断的分辨率。这意味着它在实际化工过程中具有很高的应用价值，能够有效预防和减少因故障造成的损失。 这项工作为化工过程的故障诊断提供了一个有力的工具，结合了符号有向图的结构优势和定性趋势分析的精细描述，克服了传统方法的局限性，提升了故障诊断的效率和精度。这一研究不仅对化工领域，也可能对其他依赖复杂系统监控和故障诊断的行业产生积极影响。