基于贝叶斯网络的复杂工业报警溯源分析
报警是过程工业安全生产的首道保护层，但复杂的设备关系会引发连锁反应，引起报警过载影响操作人员对异常的判断能力。报警溯源分析能够快速准确的确定引发报警过载的根源变量。由于过程工业存在大量反馈机制，设备之间具有极强的自相关性，且变量受到自身历史状态影响，如何建立准确有效的溯源机制成为了报警溯源的重大课题。 贝叶斯网络是一种基于数据驱动的有向无环网络，针对不确定性推理问题有着出色的效果，并已广泛应用于人工智能、自然语言处理、故障诊断等领域。然而，目前复杂过程工业领域使用的最大似然估计(MLE)、最大后验概率(MAP)参数学习均基于0-1报警序列，对于过程工业数据针对性较差。基于上述问题，本文提出了基于改进贡献度的贝叶斯网络参数学习方法。贡献度分析能够充分的反应变量对整个系统的影响程度。本文结合贡献度分析并针对过程工业数据特点引入滤波机制，增强系统对关键变量的分析，使其更适用于过程工业溯源分析，提高了贝叶斯网络在过程工业中参数学习算法的准确性。本文以TE过程为建模对象，实验结果表明了本文算法的准确性和有效性。
报警溯源分析;贝叶斯网络;参数学习;滤波机制
北京化工大学
硕士
控制工程
朱群雄;顾祥柏
2020
中文
TP277
2020-11-17（万方平台首次上网日期，不代表论文的发表时间）