基于转移熵与特征向量中心性分析的工厂级故障与扰动筛查
信息论
2019-04-09 v1 人工智能
社会与信息网络
math.IT
摘要
在诸如工业化工厂等复杂系统中寻找扰动或故障的源头可能是一项困难的任务，并消耗大量的工程工时。在许多情况下，系统性排除程序被认为是唯一可行的方法，但可能导致不期望的工艺扰动。从业者期望有稳健的替代方法。本文提出一种无监督、数据驱动的方法，根据过程元素影响的幅度和新颖性对其进行排序。利用偏双变量转移熵估计推断过程元素的加权有向图。应用特征向量中心性根据节点的总体效应对其进行排序。由于过程元素的排序依赖于取决于众多连接聚合的涌现性质，结果对单个边属性估计中的误差以及不代表过程真实因果结构的间接连接的纳入具有鲁棒性。在多个重叠时间区域上连续计算的过程元素重要性得分的监测图可辅助早期故障检测。排序结果结合信息传输网络的可视化检查，也有助于已知故障和扰动的根因分析。所提方法的软件实现已公开可用。
引用
@article{arxiv.1904.04035,
title = {Plant-wide fault and disturbance screening using combined transfer entropy and eigenvector centrality analysis},
author = {Simon Streicher and Carl Sandrock},
journal= {arXiv preprint arXiv:1904.04035},
year = {2019}
}
备注
21 pages, 9 figures