16、基于贝叶斯网络的故障检测

基于贝叶斯网络的故障检测

1. 引言

在处理复杂制造过程（如包含大量传感器和执行器的自动化过程）时，过程控制（或过程监控）变得至关重要。目前，过程控制主要有两种方法：数据驱动技术和分析技术。

分析技术基于系统的分析（物理）模型，能够模拟系统。在系统正常运行状态下，可得知每个传感器的理论值，从而较容易判断实际过程值与理论值是否相似。然而，该技术的主要缺点是需要详细的过程模型才能有效控制，对于具有众多变量的大规模系统，获取这样的模型难度大、耗时长且成本高。

数据驱动方法则基于从过程中提取的实际数据进行分析，包括控制图、主成分分析、潜结构投影或判别分析等基于严格统计的技术。

过程控制可分为三个步骤：故障检测、故障诊断和过程恢复。文献中存在许多用于故障检测的数据驱动技术，如单变量控制图（休哈特图）、多变量控制图（T²、Q、MEWMA、MCUSUM 图）以及一些基于主成分分析（PCA）的技术。为实现故障诊断，也提出了许多方法，故障诊断过程可视为分类任务，已开发出多种分类器，如费舍尔判别分析、支持向量机、k - 最近邻、人工神经网络和贝叶斯分类器等。当处理大量变量和故障时，这些分类器的性能会下降，因此在分类任务前通常会进行特征选择，即识别关键过程变量以捕捉影响过程的各种故障的特征。

本文将介绍一种使用贝叶斯网络检测和诊断多变量过程故障的新方法。后续内容安排如下：第二部分介绍多变量控制图在故障检测中的应用；第三部分介绍贝叶斯网络，特别是贝叶斯网络分类器；第四部分展示如何用贝叶斯网络对一些多变量控制图（T² 和 MEWMA）进行建模；最后一部分对所提出的方法进行总结并给出展望。

2. 检测与分类

本文提出的故障检