Capturing Connectivity and Causality in Complex Industrial Processes

این خلاصه به بررسی مفاهیم روابط متقابل در فرآیندهای صنعتی مدرن، سیستم‌های بیولوژیکی و اجتماعی می‌پردازد. به طور خاص ایده های ارتباط و علیت در درون و بین عناصر یک سیستم پیچیده بررسی می شود. این ایده‌ها در تحلیل و تأثیرگذاری بر مکانیسم‌ها، ویژگی‌های ساختاری و رفتار دینامیکی آن‌ها، به‌ویژه برای تشخیص خطا و تحلیل خطر، اهمیت زیادی دارند. تشخیص و جداسازی خطا برای فرآیندهای صنعتی که با علل ریشه ای و انتشار خطا مرتبط هستند، خلاصه نشان می دهد که اتصال فرآیند و اطلاعات علیت را می توان به دو روش دریافت کرد:

· از دانش فرآیند: مدل سازی ساختاری بر اساس اول مدل‌های ساختاری اصولی را می‌توان با ماتریس‌های مجاورت/قابلیت دسترسی یا مدل‌های توپولوژی به‌دست‌آمده از برگه‌های جریان فرآیند توصیف‌شده در قالب‌های استاندارد ادغام کرد. و

· از داده‌های فرآیند: تحلیل همبستگی متقابل، علیت گرنجر و پسوندهای آن، روش‌های حوزه فرکانس، روش‌های نظری اطلاعات، و شبکه‌های بیزی می‌توانند برای شناسایی روابط زوجی و توپولوژی شبکه استفاده شوند.< /p>

این روش‌ها بر مفهوم ترکیب اطلاعات تکیه دارند که به موجب آن داده‌های عملیاتی فرآیند با دانش فرآیند کیفی ترکیب می‌شوند تا تصویری جامع از سیستم ارائه دهند.

This brief reviews concepts of inter-relationship in modern industrial processes, biological and social systems. Specifically ideas of connectivity and causality within and between elements of a complex system are treated; these ideas are of great importance in analysing and influencing mechanisms, structural properties and their dynamic behaviour, especially for fault diagnosis and hazard analysis. Fault detection and isolation for industrial processes being concerned with root causes and fault propagation, the brief shows that, process connectivity and causality information can be captured in two ways:

· from process knowledge: structural modeling based on first-principles structural models can be merged with adjacency/reachability matrices or topology models obtained from process flow-sheets described in standard formats; and

· from process data: cross-correlation analysis, Granger causality and its extensions, frequency domain methods, information-theoretical methods, and Bayesian networks can be used to identify pair-wise relationships and network topology.

These methods rely on the notion of information fusion whereby process operating data is combined with qualitative process knowledge, to give a holistic picture of the system.