引用本文

马亮, 彭开香, 董洁. 工业过程故障根源诊断与传播路径识别技术综述. 自动化学报, 2022, 48(7): 1650−1663 doi: 10.16383/j.aas.c200257

Ma Liang, Peng Kai-Xiang, Dong Jie. Review of root cause diagnosis and propagation path identification techniques for faults in industrial processes. Acta Automatica Sinica, 2022, 48(7): 1650−1663 doi: 10.16383/j.aas.c200257

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200257

关键词

根源诊断, 传播路径识别, 因果关系分析, 故障诊断, 工业过程 

摘要

故障根源诊断与传播路径识别是故障诊断框架下的关键核心问题, 是保障工业过程安全生产及获得可靠产品质量的有效手段, 是当前过程控制领域的研究热点. 该技术的研究不仅丰富了故障诊断理论, 而且对故障诊断技术在工程中的推广与应用具有重要意义. 阐述了基于知识、数据及知识与数据联合驱动的故障根源诊断与传播路径识别方法的基本思想、适用条件和优劣特点, 分类概述了相关方法的研究现状. 探讨了该领域亟待解决的问题及未来的发展方向, 包括: 1)“三个维度”视角下的工业过程故障根源诊断与传播路径识别; 2)基于制造大数据分析与因果关系挖掘的工业过程质量精准追溯; 3)面向传播、耦合、多重并发特性的工业过程复合故障分布式诊断; 4)基于多源异构动态信息融合的工业过程异常工况时空追溯可视化.

文章导读

随着工业化和信息化的深度融合, 现代工业过程(如钢铁、有色、石化等)正朝着高效、智能、集成化方向发展. 上述工业过程的连续不间断运行使得任一单元或子系统发生故障都可能会通过物质流、能量流、信息流在不同系统层级间传播并演变演化, 影响生产过程的稳定运行和最终的产品质量. 其原料成分、运行工况和关键质量指标等无法在线测量或智能感知, 使得工业过程故障诊断成为一个综合而又复杂的问题. 因此, 围绕实现制造强国的战略目标, 通过合理的故障诊断技术保障工业过程的高质、高效运行成为国家制造业可持续发展中的一项重要内容, 将对抑制产品质量下降、最大限度发挥流程运行潜力具有重要的战略意义, 已经成为当前工业过程控制领域的研究热点, 具有重要的理论价值和广阔的工程应用前景[1–4].

故障诊断技术主要是针对已发生的故障进行辨识、隔离、根源诊断与传播路径识别. 即首先判断故障是否发生, 然后确定故障相关变量、大小及类型, 最后定位故障的根源并识别故障的传播路径, 从而为现场运行人员快速作出维护决策提供信息支撑[5–8]. 作为故障诊断领域的重要方向, 研究故障根源诊断与传播路径识别技术具有重要的理论和工程意义, 将为现场运行人员准确定位故障根源、清晰识别故障传播路径、快速作出补救措施提供参考信息[9–11].

为实现上述目标, 国内外研究学者发表和出版了大量的学术论文及著作. 图1列出了2010年1月1日至2019年12月31日期间Web of Science数据库搜索主题词“Root cause diagnosis”、“Root cause analysis”、“Propagation path identification”以及“Propagation path analysis”得到的统计结果. 可以看出该领域的研究热度持续增长, 发表论文数量逐年递增, 其中不乏IEEE会刊及过程控制领域顶级期刊. 主要研究方向包括基于知识、数据以及知识与数据联合驱动的方法. 基于知识的方法是通过己知的过程知识, 如工艺管道和仪表流程图(Piping & Instrument diagram, P & ID)、专家经验、机理模型等, 分析并挖掘工业过程中存在的关联和因果信息构建过程拓扑模型, 实现故障根源诊断与传播路径识别. 基于数据的方法是通过历史数据挖掘工业过程变量之间的关联信息构建因果拓扑模型, 实现故障根源诊断与传播路径识别. 从图2的统计结果可以看出, 基于数据的方法是近10年来发表论文最多的领域. 然而, 在工程实践中, 单纯的基于知识或基于数据的方法不能获得较完备的效果, 且效率和准确性均有待提高, 由此产生了一些知识与数据联合驱动的方法. 从图3的统计结果可以看出, 知识与数据联合驱动的方法是近5年的研究热点.

图 1  近10年论文数量统计图

图 2  近10年三类方法的论文数量分析图

图 3  近5年三类方法的论文数量分析图

基于此, 本文针对工业过程故障根源诊断与传播路径识别技术的现有研究成果进行综述, 对已有方法进行分类概述, 给出相关方法的实现途径. 最后进行总结, 并探讨该领域亟待解决的问题以及未来可能的研究方向.

本文对工业过程故障根源诊断与传播路径识别技术的国内外研究现状进行了综述, 对相关的研究成果进行了分类梳理, 并对其发展动态进行了评述分析. 与传统故障诊断方法的研究状况相比, 故障根源诊断与传播路径识别技术的研究还处于初步探索阶段, 现有方法大多是单一基于知识或数据的方法, 且其中大多数方法是针对某一特定工况或应用对象下的生产工序, 缺乏面向全工业流程的、较为系统性的研究. 因此, 有必要进一步了解工业过程的实际工况, 深入挖掘工业生产中的物质流、能量流、信息流及其耦合机理, 在已有研究成果的基础上, 研究新的故障根源诊断与传播路径识别方法, 必将成为未来过程控制领域的热点研究课题. 具体可以从以下几个方向开展研究工作.

1)“三个维度”视角下的工业过程故障根源诊断与传播路径识别.

工业过程由众多生产环节构成且相互耦合关联, 物质流在能量流的驱动和作用下, 按照设定的程序, 沿着特定的流程网络动态、有序运行; 其综合自动化系统层级明显, 各层级分工明确且相互协作关联, 每一层级故障均有可能导致全流程异常. 同时, 定制化生产使其品种及规格呈现多样性, 加之原料的不确定性以及设备状态、外界环境、工艺等的不同使其生产工况复杂多变. 因此, 有必要从工业过程全流程、多层级、多工况深度解析出发, 全面智能解析并运用工艺参数与关键性能指标之间的内在关系与变化规律, 综合考虑实时控制层、过程控制层、制造执行层等系统层级信息以及工业过程的工况复杂多变等特性, 研究“三个维度”视角下的故障根源诊断与传播路径识别方法, 具有重要的理论意义和实用价值.

可以从以下几个挑战性问题展开研究: a)基于共性与特性分析的工业过程多工况模式划分与识别;b)融合系统层级信息的工业过程多维度分布式建模; c)融合系统层级信息的工业过程层次化故障传播网络构建; d)变工况下的工业过程故障传播路径精细化识别; e)层次化的工业过程故障根源诊断与可视化等.

2)基于制造大数据分析与因果关系挖掘的工业过程质量精准追溯.

工业过程机理复杂、流程长、工序内多变量耦合、工序间质量遗传、系统层级与质量相关指标多等特性, 使得传统的故障诊断方法难以实现有效的质量追溯. 有必要研究涵盖产品设计数据、工艺信息、生产制造过程数据、产品检测数据等方面的质量大数据分析与因果关系挖掘方法, 形成制造企业跨时空尺度数据耦合与分析机制, 实现工业过程质量精准追溯, 是迫切需要解决的挑战性问题.

可以从以下几个挑战性问题展开研究: a)制造企业全生命周期大数据时序关联分析与因果关系挖掘; b)场景驱动的全类型制造大数据多尺度智能建模; c)面向多维强关联、时序高通量、跨时空强机理、多模态强干扰制造大数据的可视化分析; d)制造企业跨时空尺度大数据耦合分析与挖掘; e)基于因果关系挖掘的工业过程质量精准追溯等.

3)面向传播、耦合、多重并发特性的工业过程复合故障分布式诊断.

引起工业过程故障的原因是多方面的, 可能是生产调度信息、工艺或控制回路设定不当造成的, 也可能是外界不确定干扰等因素造成的, 与过程故障及征兆间没有明确的对应关系. 加之强噪声环境下故障幅值较低、特征不明显以及故障之间存在传播、耦合、多重并发等原因, 使得复合故障诊断问题的研究具有挑战性. 因此, 有必要结合全流程及子系统的复合故障检测结果, 深入研究自上而下的复合故障层次化诊断方法, 对于保证工业过程的安全性和稳定性具有重要的理论与工程意义.

可以从以下几个挑战性问题展开研究: a)强噪声环境下的工业过程复合故障分布式检测模型构建;b)工业过程复合故障数据特征矢量提取; c)工业过程复合故障与征兆间的映射关系构建; d)工业过程复合故障模式识别与分类; e)自上而下的工业过程复合故障精细化诊断等.

4)基于多源异构动态信息融合的工业过程异常工况时空追溯可视化.

针对工业过程异常工况的时间和空间双重传播特性, 研究数据、机理、知识等多源异构信息采集与集成、数据挖掘、融合技术, 探索工业过程各工序物质流、能量流、信息流的网络化、多尺度、全流程精准建模和动态仿真方法, 开发基于大数据平台的可视化数据双向关联性和因果性分析软件系统, 实现工业过程异常工况时空追溯可视化, 使得追溯过程形象化、直观化和清晰化, 具有重要意义, 将为推进工业化和信息化深度融合, 保障流程工业过程安全稳定运行提供理论基础和技术保障.

可以从以下几个挑战性问题展开研究: a)基于多源异构动态信息融合的工业过程物质流、能量流、信息流运行特征及耦合机理分析; b)工业生产流程多工序之间工艺操作、生产原料与作业工况的耦合关联机制分析; c)大数据驱动的工业过程异常工况追溯; d)大数据驱动的物质流、能量流、信息流动态评估; e)工业过程异常工况时空追溯可视化等.

上述研究工作的开展不仅具有重要的学术价值, 也是大量工业过程安全生产和稳定运行的迫切需求, 势必成为未来流程工业过程控制领域的研究热点, 将为确保工业生产全流程高效运行与提高产品质量提供理论依据和关键技术支撑.

作者简介

马亮

北京科技大学自动化学院副教授. 主要研究方向为复杂工业过程分布式监测与智能诊断. E-mail: liangma@ustb.edu.cn

彭开香

北京科技大学自动化学院教授. 主要研究方向为复杂工业过程故障诊断与容错控制. 本文通信作者. E-mail: kaixiang@ustb.edu.cn

董洁

北京科技大学自动化学院教授. 主要研究方向为复杂工业系统的故障诊断与一体化控制. E-mail: dongjie@ies.ustb.edu.cn