新颖深度因果图建模及工业故障诊断方法

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。