Methode zur Integration zeitvariabler Kantengewichte in kausale Graphen für präzisere Modellanpassung

Abstract

Die fortschreitende Digitalisierung und Automatisierung in der Prozessindustrie erfordert immer präzisere und zuverlässigere Simulationsmodelle zur Überwachung, Steuerung und Optimierung technischer Anlagen. Ein Aspekt dabei ist die Fähigkeit, Abweichungen zwischen dem simulierten Modell und dem realen Systemverhalten exakt zu diagnostizieren. Kausal-gerichtete Graphen haben sich als wichtiges Werkzeug etabliert, um die Ursache-Wirkungs-Beziehungen in solchen Systemen abzubilden. Sie verwenden jedoch häufig statische Kantengewichte. wodurch veränderliche Betriebszustände, Alterung oder Verschleiß nur eingeschränkt berücksichtigt werden. Dieser Beitrag stellt eine Methode zur Integration zeitvariabler, datenbasierter Kantengewichte in bestehende kausal-gerichtete Graphen vor. Dazu werden Simulationsdaten anhand von Aktorstellungen in diskrete Betriebszustände segmentiert. Für jeden Zustand wird ein Time-Varying Dynamic Bayesian Network aufgebaut und als lineares Gaußsches Bayes’sches Netzwerk ausgewertet. Die Kantengewichte werden mithilfe der Kullback-Leibler-Divergenz berechnet und zustandsabhängig in den ursprünglichen Graphen zurückgeführt. Die Evaluation an einem Modelica-Simulationsmodell einer verfahrenstechnischen Laboranlage mit 81 potenziellen Fehlerursachen und ca. 12.000 Simulationen zeigt eine Verbesserung des mittleren Rangs der korrekten Fehlerursache um 9,0 % sowie eine Reduktion des skalierten absoluten Fehlers um 28,8 % gegenüber einer statischen Heuristik. Die Ergebnisse bestätigen, dass zustandsabhängige Kantengewichte die Diagnose abweichender Systemparameter verbessern können.