基于可变时滞贝叶斯网络的工业过程因果回路根因诊断方法

本文提出了一种可变时滞贝叶斯网络（VTL-BN）方法，用于解决工业过程根因诊断（RCD）中因固定时滞假设和因果回路（Cyclic Loops）导致的诊断不准问题。该方法结合动态时间规整（DTW）分析时滞变化趋势，将固有因果回路转化为时序因果关系，突破了传统贝叶斯网络（BN）和隐马尔可夫模型（HMM）的局限，显著提升了动态工业过程故障传播路径推断与根因识别的准确性。

　　

Highlight

• •
  提出了一种探索可变时滞并将其纳入因果分析模型的方法。通过这种结合，可以捕捉时滞的动态变化。因此，可以计算更精确的概率并更有效地更新证据。
• •
  开发了一个分解因果网络中循环回路的框架。通过分析时滞的变化趋势，将长时滞因果关系转化为时序因果关系，从而解决了循环现象。
• •
  与传统方法相比，所提出的方法更深入地探索了时序信息，并通过克服固定时滞的限制，显著增强了动态工业过程中根因诊断（RCD）的性能。

方法学 (Methodology)

所提出的方法系统性地分为6个组成部分，如图3所示。该框架集成了数据收集与处理、可变时滞分析、回路分解、隐马尔可夫模型（HMM）建立、可变时滞贝叶斯网络（VTL-BN）的在线实施以及根因诊断。每个组成部分的详细描述如下。

• •
  (1) 步骤1是数据收集与处理。在此步骤中，收集正常/异常数据，并基于机理构建初始因果网络。数据被归一化。

案例研究 (Case Studies)

可变时滞贝叶斯网络（VTL-BN）方法使用田纳西-伊斯曼过程（TEP）和醋酸乙烯单体（VAM）工艺进行验证，并与基于回路分解因果拓扑但未考虑可变时滞的传统贝叶斯网络（BN）方法进行比较。

结论 (Conclusion)

本文提出了一种用于动态工业过程根因诊断（RCD）的新方法，以解决固有因果节点循环结构带来的挑战。该方法利用可变时滞贝叶斯网络（VTL-BN），通过动态捕捉时滞变化趋势并消除固定时滞假设，来增强因果关系推理能力。与传统方法假设变量间时滞恒定不同，我们的方法能够适应可变时滞，从而提供了一种更灵活、更精确的故障诊断和根因识别方案，为复杂工业系统的安全可靠运行提供了有力支持。