技术领域
[0001] 本公开涉及化工过程故障诊断技术领域，特别涉及一种基于机理相关分析贝叶斯网络的化工过程故障诊断方法。
背景技术
[0002] 本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成
现有技术。
[0003] 随着大规模工业化和自动化的发展，过程变量的维数越来越大，变量之间的相关性越来越复杂，使得故障诊断的任务比以往更加难以实现。因此，及时监控过程，有效地分离故障，对确保化工过程的安全稳定运行具有重要意义。故障发生后，过程中的许多变量都超出了正常范围，如何找出故障的根源是学术界和工业界十分关注的问题。
[0004] 本公开
发明人在研究中发现，目前的故障诊断方法大致分为两类：基于模型的故障诊断方法和数据驱动的故障诊断方法。基于模型的诊断方法需要深入的知识和精确的过程机理模型；数据驱动的方法不需要太多关于过程的知识，能够在可靠的数据上方便、快速地掌握过程的状态特征，但在很大程度上依赖于历史数据来判断过程的状态。以上方法在解释故障传播路径和诊断故障根源方面存在不足。
发明内容
[0005] 为了解决现有技术的不足，本公开提供了一种基于机理相关分析贝叶斯网络的化工过程故障诊断方法，能够在检测到故障后快速的识别故障的传播路径，找到引起故障的根本原因。
[0006] 为了实现上述目的，本公开采用如下技术方案：
[0007] 第一方面，本公开提供了一种基于机理相关分析贝叶斯网络的化工过程故障诊断方法，步骤如下：
[0008] 采集化工工艺过程的历史数据，对化工工艺的变量进行单元划分，分析化工工艺过程单元变量之间的机理相关关系，得到关系矩阵；
[0009] 利用历史数据的置信区间估计，计算贝叶斯网络的条件概率，并结合关系矩阵建立贝叶斯网络；
[0010] 采用主成分分析法对过程进行监控，当检测到故障时，执行数据状态转换，计算变量的贝叶斯贡献；
[0011] 在贝叶斯网络中加入故障
节点的证据，找出故障的传播路径和根节点，根据故障传播路径和根节点获取故障的真实原因，结合机理相关过程知识，从贝叶斯网络中找出故障的根本原因。
[0012] 作为可能的一些实现方式，所述变量之间的机理相关关系至少包括
质量相关、热量相关、相平衡相关、设备传递相关和其他相关。
[0013] 作为进一步的限定，分析化工工艺过程单元变量之间的机理相关关系，采用Spearman相关系数验证，得到各个变量的关系子矩阵，整合所有子矩阵构成最终的关系矩阵，得到贝叶斯网络结构。
[0014] 作为更进一步的限定，基于机理相关分析构建贝叶斯网络结构，具体为：
[0015] 根据质量相关、热量相关、相平衡相关、设备传递相关和其他相关关系，考虑工艺过程的传递原理，仅在设备单元内对变量进行分析；
[0016] 依据机理相关分析得到变量之间的因果作用关系，构建出贝叶斯网络的结构，并制定相应的规则尽量简化网络结构。
[0017] 作为更进一步的限定，所述规则具体为：
[0018] 规则一：除非操作单元中存在循环物流，否则只考虑两个相邻设备之间的变量关系。由于材料流动只能沿着相邻的设备扩散，因此不可能直接通过相邻的设备进入下一设备。
[0019] 规则二：除非变量之间存在结构循环关系，属于上层操作单元的变量不是下游操作变量的子变量。
[0020] 作为可能的一些实现方式，在贝叶斯网络中加入故障节点的证据，找出故障的传播路径和根节点，对于断链传播路径，将添加一个虚拟节点来表示未观察到的变量。
[0021] 作为可能的一些实现方式，计算网络结构之间的贝叶斯网络的条件概率是通过历史数据的状态转化进行定量分析计算，假设变量xi的1-α贝叶斯置信区间为[a，b]，将变量xi的第j个样本点xji的状态表示为Sji，则对其进行状态转换的模型如下：
[0022]
[0023] 作为进一步的限定，具有n个
父节点Ai的
子节点B的先验概率的计算模型则可以表达为：
[0024]
[0025] 其中用上标S来代表节点的不同状态，BS为对应的子节点状态，AiS为对应的父节点状态；
[0026] 条件概率的计算模型可以表达为：
[0027]
[0028] 当故障状态被检测到后，依据
贝叶斯推理规则，路径的传播推理模型可以表达为：
[0029]
[0030] 每个变量对于故障的贡献程度可以表达为：
[0031]
[0032] 其中BC为变量xi的贝叶斯贡献程度，T为总故障样本长度，pa(xi)代表变量xi的父节点。
[0033] 第二方面，本公开提供了一种基于机理相关分析贝叶斯网络的化工过程故障诊断系统，包括：
[0034]
数据采集和预处理模
块，被配置为：采集化工工艺过程的历史数据，对化工工艺的变量进行单元划分，分析化工工艺过程单元变量之间的机理相关关系，得到关系矩阵；
[0035] 贝叶斯网络构建模块，被配置为：利用历史数据的置信区间估计，计算贝叶斯网络的条件概率，并结合关系矩阵建立贝叶斯网络；
[0036] 故障分析模块，被配置为：采用主成分分析法对过程进行监控，当检测到故障时，执行数据状态转换，计算变量的贝叶斯贡献；
[0037] 故障诊断模块，被配置为：在贝叶斯网络中加入故障节点的证据，找出故障的传播路径和根节点，根据故障传播路径和根节点获取故障的真实原因，结合机理相关过程知识，从贝叶斯网络中找出故障的根本原因。
[0038] 第三方面，本公开提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开所述的基于机理相关分析贝叶斯网络的化工过程故障诊断方法中的步骤。
[0039] 第四方面，本公开提供了一种
电子设备，包括
存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开所述的基于机理相关分析贝叶斯网络的化工过程故障诊断方法中的步骤。
[0040] 与现有技术相比，本公开的有益效果是：
[0041] 1、本工况提供了一种基于机理相关分析贝叶斯网络的化工过程故障诊断的方法，实现了对工艺过程模型的图论建模，结合了机理模型的先验知识和历史数据的定量计算，具有简化计算量提高计算
精度的特点。
[0042] 2、本工况能够用于故障的传播路径推理与根节点的确定，对于过程中未观测到的变量，采用了一种添加虚拟节点以合理解释的传播机制，提供了一种解决问题的新方法。
[0043] 3、本公开采用图论的方法，其具有很好的故障传播路径解释和根本原因诊断能
力，因为概率图模型可以用紧密的直接相关形式表示变量之间的联合概率，能够在检测到故障后快速的识别故障的传播路径，找到引起故障的根本原因。
附图说明
[0044] 图1为本公开
实施例1所述的机理相关分析的结构构建说明图。
[0045] 图2为本公开实施例1所述的机理相关分析和贝叶斯网络诊断方法
流程图。
[0046] 图3为本公开实施例1所述的GeNIe
软件可视化后的TE贝叶斯网络。
[0047] 图4为本公开实施例1所述的GeNIe软件可视化后的TE故障2下的贝叶斯网络。
[0048] 图5为本公开实施例1所述的TE故障2下变量的贝叶斯贡献度图。
[0049] 图6为本公开实施例1所述的TE故障2下的故障传播路径。
[0050] 图7为本公开实施例2所述的GeNIe软件可视化后的脱丙烷贝叶斯网络。
[0051] 图8为本公开实施例2所述的GeNIe软件可视化后的脱丙烷故障1贝叶斯网络。
[0052] 图9为本公开实施例2所述的脱丙烷故障1下变量的贝叶斯贡献度图。
[0053] 图10为本公开实施例2所述的脱丙烷故障1下的故障传播路径。
具体实施方式
[0054] 应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
[0055] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本
说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0056] 实施例1：
[0057] 如图1-6所示，本公开实施例1提供了一种基于机理相关分析贝叶斯网络的化工过程故障诊断方法，包括贝叶斯网络的构建和贝叶斯模型推理，步骤如下：
[0058] (1)采集化工工艺过程的历史数据，对化工工艺的变量进行单元划分，分析化工工艺过程单元变量之间的机理相关关系，得到关系矩阵；
[0059] (2)利用历史数据的置信区间估计，计算贝叶斯网络的条件概率，并结合关系矩阵建立贝叶斯网络；
[0060] (3)采用主成分分析法对过程进行监控，当检测到故障时，执行数据状态转换，计算变量的贝叶斯贡献；
[0061] (4)在贝叶斯网络中加入故障节点的证据，找出故障的传播路径和根节点，根据故障传播路径和根节点获取故障的真实原因，结合机理相关过程知识，从贝叶斯网络中找出故障的根本原因。
[0062] 机理相关依据化工过程中的质量守恒热量守恒等相平衡关系等机理模型划分为质量相关、热量相关、相平衡相关、设备传递相关以及其他相关等。
[0063] 质量相关包括物料流量、物料浓度、物料组成、液位等；热量相关包括物料
温度和与换热设备有关的一些变量；相平衡相关包括温度、压力和组成之间的关系；传递相关包括
压缩机的功率、搅拌器的速度和其他与传递相关的变量；其他相关包括反应器的个反应平衡及其他不易划分的变量相关等。
[0064] 分析化工工艺过程单元变量之间的机理相关关系，采用Spearman相关系数验证，得到各个变量的关系子矩阵，整合所有子矩阵构成最终的关系矩阵，得到贝叶斯网络结构。
[0065] 基于机理相关分析构建贝叶斯网络结构，具体为：
[0066] 根据质量相关、热量相关、相平衡相关、设备传递相关和其他相关关系，考虑工艺过程的传递原理，仅在设备单元内对变量进行分析；
[0067] 依据机理相关分析得到变量之间的因果作用关系，构建出贝叶斯网络的结构，并制定相应的规则尽量简化网络结构。
[0068] 所述规则具体为：
[0069] 规则一：除非操作单元中存在循环物流，否则只考虑两个相邻设备之间的变量关系。
[0070] 规则二：除非变量之间存在结构循环关系，属于上层操作单元的变量不是下游操作变量的子变量。
[0071] 在贝叶斯网络中加入故障节点的证据，找出故障的传播路径和根节点，对于断链传播路径，将添加一个虚拟节点来表示未观察到的变量。
[0072] 计算网络结构之间的贝叶斯网络的条件概率是通过历史数据的状态转化进行定量分析计算，假设变量xi的1-α贝叶斯置信区间为[a，b]，将变量xi的第j个样本点xji的状态表示为Sji，则对其进行状态转换的模型如下：
[0073]
[0074] 状态转换以表1说明：
[0075] 表1两父节点条件概率表
[0076]
[0077] 具有n个父节点Ai的子节点B的先验概率的计算模型则可以表达为：
[0078]
[0079] 其中用上标S来代表节点的不同状态，BS为对应的子节点状态，AiS为对应的父节点状态；
[0080] 条件概率的计算模型可以表达为：
[0081]
[0082] 当故障状态被检测到后，依据贝叶斯推理规则，路径的传播推理模型可以表达为：
[0083]
[0084] 每个变量对于故障的贡献程度可以表达为：
[0085]
[0086] 其中BC为变量xi的贝叶斯贡献程度，T为总故障样本长度，pa(xi)代表变量xi的父节点。
[0087] 下面以TE过程具体举例说明，步骤如下：
[0088] 1)基于TE过程动态机理，通过分析对设备单元进行划分，并且得到每个设备单元的关系矩阵；
[0089] 2)通过对历史数据的贝叶斯区间估计，进行状态的转换，得到网络节点的先验概率，结合步骤1)，得到TE过程的贝叶斯网络；
[0090] 3)在确定出故障发生后，通过贝叶斯贡献度确定出对故障贡献较大的变量，作为网络的证据进行添加；
[0091] 4)通过贝叶斯推理，对于断链式的故障传播路径，添加虚拟节点代表未观测的变量得到故障的传播路径。
[0092] 步骤1)中对于TE过程的单元划分如下：
[0093] TE过程包含的反应器、
冷凝器、压缩机、汽液分离器与
汽提塔分别作为一个单元进行变量的相关关系分析，变量划分如表2所示；
[0094] 表2：操作单元变量划分表
[0095]
[0096] TE过程变量机理相关关系如表3所示：
[0097] 表3：TE过程变量机理相关关系表
[0098]
[0099]
[0100] 步骤2)中得到的GeNIe软件可视化后的TE贝叶斯网络，如图3所示，图4为GeNIe软件可视化后的TE故障2下的贝叶斯网络，可以明显的看到其各个变量之间的相互关系；
[0101] 步骤3)中得到的TE故障2下变量的贝叶斯贡献度图如图5所示，步骤4)中得到的故障的传播路径，如图6所示，通过图4、图5和图6，可以很明显的查找到相应的故障传播路径和故障根节点，根据故障传播路径和根节点获取故障的真实原因，结合机理相关过程知识，从贝叶斯网络中找出故障的根本原因。
[0102] 实施例2：
[0103] 本公开实施例2提供了一种基于机理相关分析贝叶斯网络的化工过程故障诊断方法，以脱丙烷故障1为例进行故障诊断，得到的GeNIe软件可视化后的脱丙烷贝叶斯网络，如图7所示，图8为GeNIe软件可视化后的脱丙烷故障1下的贝叶斯网络，可以明显的看到其各个变量之间的相互关系；脱丙烷故障1下变量的贝叶斯贡献度图如图9所示，得到的故障的传播路径，如图10所示，通过图8、图9和图10，可以很明显的查找到相应的故障传播路径和故障根节点，根据故障传播路径和根节点获取故障的真实原因，结合机理相关过程知识，从贝叶斯网络中找出故障的根本原因。
[0104] 实施例3：
[0105] 本公开实施例3提供了一种基于机理相关分析贝叶斯网络的化工过程故障诊断系统，包括：
[0106] 数据采集和预处理模块，被配置为：采集化工工艺过程的历史数据，对化工工艺的变量进行单元划分，分析化工工艺过程单元变量之间的机理相关关系，得到关系矩阵；
[0107] 贝叶斯网络构建模块，被配置为：利用历史数据的置信区间估计，计算贝叶斯网络的条件概率，并结合关系矩阵建立贝叶斯网络；
[0108] 故障分析模块，被配置为：采用主成分分析法对过程进行监控，当检测到故障时，执行数据状态转换，计算变量的贝叶斯贡献；
[0109] 故障诊断模块，被配置为：在贝叶斯网络中加入故障节点的证据，找出故障的传播路径和根节点，根据故障传播路径和根节点获取故障的真实原因，结合机理相关过程知识，从贝叶斯网络中找出故障的根本原因。
[0110] 机理相关依据化工过程中的质量守恒热量守恒等相平衡关系等机理模型划分为质量相关、热量相关、相平衡相关、设备传递相关以及其他相关等。
[0111] 质量相关包括物料流量、物料浓度、物料组成、液位等；热量相关包括物料温度和与换热设备有关的一些变量；相平衡相关包括温度、压力和组成之间的关系；传递相关包括压缩机的功率、搅拌器的速度和其他与传递相关的变量；其他相关包括反应器的反应平衡及其他不易划分的变量相关等。
[0112] 分析化工工艺过程单元变量之间的机理相关关系，采用Spearman相关系数验证，得到各个变量的关系子矩阵，整合所有子矩阵构成最终的关系矩阵，得到贝叶斯网络结构。
[0113] 基于机理相关分析构建贝叶斯网络结构，具体为：
[0114] 根据质量相关、热量相关、相平衡相关、设备传递相关和其他相关关系，考虑工艺过程的传递原理，仅在设备单元内对变量进行分析；
[0115] 依据机理相关分析得到变量之间的因果作用关系，构建出贝叶斯网络的结构，并制定相应的规则尽量简化网络结构。
[0116] 所述规则具体为：
[0117] 规则一：除非操作单元中存在循环物流，否则只考虑两个相邻设备之间的变量关系。
[0118] 规则二：除非变量之间存在结构循环关系，属于上层操作单元的变量不是下游操作变量的子变量。
[0119] 计算网络结构之间的贝叶斯网络的条件概率是通过历史数据的状态转化进行定量分析计算，假设变量xi的1-α贝叶斯置信区间为[a，b]，将变量xi的第j个样本点xji的状态表示为Sji，则对其进行状态转换的模型如下：
[0120]
[0121] 状态转换以表4说明：
[0122] 表4两父节点条件概率表
[0123]
[0124] 具有n个父节点Ai的子节点B的先验概率的计算模型则可以表达为：
[0125]
[0126] 其中用上标S来代表节点的不同状态，BS为对应的子节点状态，AiS为对应的父节点状态；
[0127] 条件概率的计算模型可以表达为：
[0128]
[0129] 当故障状态被检测到后，依据贝叶斯推理规则，路径的传播推理模型可以表达为：
[0130]
[0131] 每个变量对于故障的贡献程度可以表达为：
[0132]
[0133] 其中BC为变量xi的贝叶斯贡献程度，T为总故障样本长度，pa(xi)代表变量xi的父节点。
[0134] 实施例4：
[0135] 本公开实施例4提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的基于机理相关分析贝叶斯网络的化工过程故障诊断方法中的步骤。
[0136] 实施例5：
[0137] 本公开实时5提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于机理相关分析贝叶斯网络的化工过程故障诊断方法中的步骤。
[0138] 以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本公开的保护范围之内。
