毛 彪，杨 松，李英顺

1.沈阳工业大学 化工过程自动化学院，辽宁 辽阳111003

2.大连理工大学 控制科学与工程学院，辽宁 大连116024

1 引言

随着控制技术的发展，控制系统复杂度的增长对基于人工智能技术的故障诊断方法提出新的挑战。在复杂的控制系统中，各控制信号往往具有较长的传播链路，且各信号间具有复杂的相关性，因此上游源信号的故障可能导致整个链路下游其他控制信号的故障，单纯依靠检测数据极易造成故障的误诊；此外，不同控制信号的故障与广泛存在的故障模式间的对应关系并不明确，往往存在着多个控制信号的异常导致同一故障的发生，或某一控制信号的故障可由多个基本故障引起，致使复杂控制系统中故障点的精确定位难度增加。因此，明确复杂控制系统中各控制信号的输入、输出关系，厘清各控制信号、故障现象与各基本故障模式间的因果逻辑对于处理复杂控制系统故障诊断问题具有重大现实意义。

针对以上广泛存在于现代复杂控制系统故障诊断中的难题，一系列专家学者提出了多种方法：基于概率的方法，包括信度网（Belief Network）[1]、马尔可夫网（Markov Network）[2]、动态因果图（Dynamic Causality Diagram）[3]；非概率的方法，如MYCIN的信度因子（Certainty Factor）[4]、模糊逻辑（Fuzzy Logic）[5]、神经网络（Neural Net）[6]、Dempster-Shafer[7]的证据理论等。无论基于概率或非概率的方法虽然在各自的应用领域都取得了一定的成功，但是在这些方法的使用过程中也显现出了各自的不足，如信度网不仅无法处理在复杂控制系统中广泛存在的因果循环、多连通问题，而且，用条件概率来量化事件中的因果强度十分困难且容易造成错误的理解；……