内容概要:提出了一种用于复杂工业过程中的新型深度因果图(Deep Causality Graph, DCG)建模及其在故障检测与诊断领域的具体应用。通过循环神经网络构造了深层因果图模型,并将Group Lasso的稀疏化项引入到了模型训练之中,实现了变量间因果关系的有效探测。此外利用了DCG学习获得的知识建立起单个变量监测机制和整体故障检测体系,并借助贡献度指标筛选出故障相关的变数,借助于深度因果关系分析明确了引起故障的根本原因,确定了其影响蔓延的路径。
适用人群:从事工业过程监测的研究员及相关行业从业人员,尤其适用于熟悉大数据背景下的机器学习及数据挖掘算法的研究者。
使用场景及目标:旨在对复杂工业系统内的潜在故障实施预防监控措施,确保生产线的高效运转,最终目的是提高产品质量和企业运营效率。
其他说明:通过田纳西-伊斯曼试验过程的实例模拟测试,论证并展示出此种新的建模方式的有效性。