Mar, 2022

基于三次 DUCG 的工业故障诊断因果知识表示与推理平台

PDF
TL;DR本文介绍基于时间序列的故障诊断技术来监测工业系统的实时运行状态、检测系统异常、诊断故障根本原因和预测状态趋势，并基于立方 DUCG 理论构建了一个专家知识和经验的工业故障诊断系统，解决了没有样本数据的工业系统故障诊断问题。
industrial systemsfault diagnosistime seriesreal-timeducg theory
发现论文，激发创造
  • 动态不确定因果图的方法论和临床诊断的实际应用以及解释性和不变性

    基于动态不确定因果图 (DUCG) 的人工智能辅助临床诊断，具有可解释性、高诊断精度和推荐算法。

    Jun, 2024

  • 机器学习方法用于离散事件系统的在线故障诊断

    本文提出了一种基于机器学习的在线诊断系统，用于预测自动生产系统的状态和故障类型，并可将其分类为多类别。

    Oct, 2022

  • 基于知识图谱和工业数据的根因诊断新框架 Root-KGD

    基于知识图谱和工业数据的故障根本原因诊断框架 (Root-KGD) 结合领域知识与工业数据特征，通过知识图谱推理进行根本原因识别，相比现有方法在在线工业应用中提供更准确的诊断结果和解释性故障相关信息。

    Jun, 2024

  • 数据流系统中的因果故障定位

    数据流计算是一种用于多种系统工程的范式，具有潜力成为数据驱动应用程序开发的选择。数据流计算的特征之一是对整个系统的数据流图的自然访问。最近，观察到这些数据流图可以被视为完全的图形因果模型，从而开放了将因果推理技术应用于数据流系统的机会。在本篇论文中，我们旨在提供首个实际验证这个想法的论文，并特别关注因果故障定位。我们提供了多个演示，它们展示了如何使用因果推理在三个现代数据流引擎中检测软件错误和数据偏移的多种情况。

    Apr, 2023

  • 一种基于 Broad Learning System 的证据实时多模态故障诊断方法

    本文提出了一种混合多种基础分类器的证据推理算法，并利用广义学习系统的基础分类器来进行实时多模式故障诊断。同时采用模拟标签学习方法对模型参数进行实时更新。

    Apr, 2023

  • 有限资源环境下自动机器状态监测和维护系统的设计与实现

    在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。

    Jan, 2024

  • 面向在线无监督根因分析的增量因果图学习

    本文提出一种名为 CORAL 的在线根本原因分析框架，结合多元奇异谱分析和累积和统计学的方法，实现了系统实时状态的自动检测和更新原因分析模型，进而定位根本原因。实验表明，该框架在三个真实世界数据集的案例研究中表现出更高的准确性和优越性。

    May, 2023

  • 广义失配故障诊断（GOOFD）框架的内部对比学习

    利用内部对比学习技术和马氏距离，我们提出了广义的基于分布外故障诊断框架 (GOOFD)，用于集成检测、分类和新颖性故障诊断等多个诊断子任务，并在模拟和实际数据集上表明了该方法的有效性。

    Jun, 2023

  • 基于因果推断的在线服务系统干预识别根因分析

    本文提出了一种新的因果推理任务 —— 干预识别方法，称作 “因果推理基础的根因分析（CIRCA）”，并在在线服务系统监控数据的背景下构建了因果贝叶斯网络。实验结果表明，相对于其他基线方法，CIRCA 能够提高前 1 推荐的召回率达到 25% 的效果。

    Jun, 2022

  • 复杂系统中可解释故障诊断的 LLM 集成

    介绍了一种整合物理诊断工具和大型语言模型的集成系统，旨在增强复杂系统（如核电厂）中故障诊断的可解释性，通过识别故障并提供其造成和影响的清晰易懂的解释，该系统在溶盐设施上的应用验证了其阐明诊断故障与传感器数据之间关联、回答操作员问题和评估历史传感器异常的能力，强调将基于模型的诊断与先进人工智能结合以提高自主系统的可靠性和透明度。

    Feb, 2024