近日，理学院数学系李忘言副教授与澳大利亚新南威尔士大学化工学院Jie Bao教授合作，以“A new perspective on fault detection and diagnosis for plantwide systems in the era of smart process manufacturing”为题，在《Engineering》（影响因子11.6）发表研究成果[Engineering 52, 19-24 (2025)]。理学院李忘言副教授为论文的第一作者，论文通讯作者为Jie Bao教授。
在化工、钢铁、铝冶炼等厂级工业过程系统中，子系统往往通过物料、拓扑网络紧密耦合。因此，一个不起眼的传感器或执行器失效、换热系统泄漏，都可能引起连锁的故障反应，进而造成经济损失甚至安全风险。另一方面，随着智能过程制造（Smart Process Manufacturing）系统（图1）的广泛应用，其在运行过程中会产生海量数据。然而，工业数据往往存在诸如故障、冗余和非线性等现象。传统的故障检测与诊断方法会频频失灵，不能胜任工业大数据时代的要求。如果从基于大数据方法的框架出发, 通常会借助支持向量机或自编码器等机器学习工具，然而这些工具往往难以捕捉厂级过程系统的真实动态特性。
图1智能过程制造示意图
本研究提出了一个新的思路：一个对厂级过程系统有效的基于数据的故障检测与诊断方法，并不在于数据集的 “规模” 有多大，而在于其 “信息含量” 有多高。通过来自于厂级工业过程系统的输入-输出数据轨迹，构建二次差分形式的供给率与存储函数，形成了(Ψ,Φ)-耗散性框架。该框架不需要依赖复杂模型，就能够精准捕捉系统动态特性。进而，通过对耗散性进行塑形，让系统对特定故障敏感，这为后续的故障检测与诊断提供了理论依据。具体而言，本研究设计了“离线塑形+在线评估”的两阶段策略。在离线阶段，研究者通过塑形耗散性从正常和故障数据中找出了专属耗散性条件，从而使得系统要么对任意故障敏感，实现故障检测，要么对特定故障具有选择性，以实现精准的故障诊断。而在线阶段只需实时计算耗散率，并与提前设置好的阈值进行比较，一旦突破阈值，就可以确定故障的发生。该方法仅通过耗散不等式检验就能实现基于数据的故障检测与诊断，因此工业实施成本较低。
随着工业大数据爆发和智能传感网络普及，智能制造正从愿景走向现实。这套基于数据的厂级工业过程系统的故障检测与诊断方法，为如何有效利用工业大数据提供了一个新思路。它能提前预警异常工况，预防计划外停机，既降低经济损失，又减少安全与环境风险。
论文链接：https://doi.org/10.1016/j.eng.2025.08.006