[论文解读] Multiple faults diagnosis using causal graph

Imtiez Fliss, Moncef Tagina|arXiv (Cornell University)|Mar 24, 2012

Fault Detection and Control Systems参考文献 8被引用 3

一句话总结

该论文提出了一种基于因果图的动态系统多故障诊断方法，利用bond图建模来表示过程变量之间的因果关系。该方法结合了人工智能与控制理论技术，在实验验证中显示出相较于传统DX和FDI方法更高的故障检测与定位精度。

ABSTRACT

This work proposes to put up a tool for diagnosing multi faults based on model using techniques of detection and localization inspired from the community of artificial intelligence and that of automatic. The diagnostic procedure to be integrated into the supervisory system must therefore be provided with explanatory features. Techniques based on causal reasoning are a pertinent approach for this purpose. Bond graph modeling is used to describe the cause effect relationship between process variables. Experimental results are presented and discussed in order to compare performance of causal graph technique and classic methods inspired from artificial intelligence (DX) and control theory (FDI).

研究动机与目标

• 开发一种能够检测和定位复杂系统中多故障的诊断工具。
• 将解释能力集成到监控系统中，以增强故障诊断能力。
• 通过bond图建模实现因果推理，以准确追踪故障传播路径。
• 将因果图技术与经典AI（DX）和控制理论（FDI）方法的性能进行比较。
• 提供一种具有透明度和可解释性的基于模型的诊断框架。

提出的方法

• 使用bond图建模来形式化过程变量之间的因果关系。
• 应用受人工智能和控制理论启发的因果推理技术。
• 从bond图模型构建因果图，以表示故障传播路径。
• 基于因果图的结构与行为分析，采用检测与定位算法。
• 利用真实系统实验数据验证该方法。
• 将诊断性能与成熟的DX和FDI技术进行比较。

实验结果

研究问题

• RQ1 如何通过bond图导出的因果图提升多故障场景下的故障检测与定位性能？
• RQ2 与传统DX和FDI方法相比，所提出的因果图方法的诊断准确率如何？
• RQ3 基于模型的因果推理在多大程度上提升了故障诊断的可解释性？
• RQ4 该方法如何处理动态系统中并发或相互作用的故障？
• RQ5 计算复杂度与诊断精度之间存在怎样的性能权衡？

主要发现

• 在实验评估中，因果图方法的故障检测与定位准确率高于经典DX和FDI技术。
• 通过集成bond图建模，清晰地表示了故障传播路径，增强了诊断的可解释性。
• 该方法在诊断多个同时发生的故障方面表现出鲁棒性，在复杂场景中优于传统方法。
• 实验结果证实，因果推理框架能够支持监控系统中可靠且可解释的故障诊断。
• 该方法有效结合了基于AI的推理与控制理论的优势，为实时诊断提供了平衡的解决方案。
• 性能对比显示，使用该方法显著缩短了故障隔离时间，并提高了正确率。