Data-driven design of fault diagnosis systems
Due to the increasing demands on system performance, production quality as well as economic operation, modern technical systems become more complicated and the automation degrees are significantly growing. To ensure the safety and reliability of such complicated processes, an effective fault diagnosis system is of prime importance in process industry nowadays. Although the model-based fault diagnosis theory has been well established, it is still difficult to establish mathematical model by means of the first principles for large-scale process.
On the other hand, a large amount of historical data from regular sensor measurements, event-logs and records are often available in such industrial processes. Motivated by this observation, it is of great interest to design fault diagnosis schemes only based on the available process data. Hence, development of efficient data-driven fault diagnosis schemes for different operating conditions is the primary objective of this thesis.
This thesis is firstly dedicated to the modifications on the standard multivariate statistical process monitoring approaches. The modified approaches are considerably simple, and most importantly, avoid the drawbacks of the standard techniques. As a result, the proposed approaches are able to provide enhanced fault diagnosis performance on the applications under stationary operating conditions.
The further study of this thesis focuses on developing reliable fault diagnosis schemes for dynamic processes under industrial operating conditions. Instead of identifying the entire process model, primary fault diagnosis can be efficiently realized by the identification of key components. Advanced design schemes like multiple residuals generator and state observer are also investigated to ensure high fault sensitivity performance.
For the large-scale processes involving changes, e.g. in operating regimes for in the manipulated variables, the recursive and adaptive techniques are studied to cope with such uncertainty issues. A novel data-driven adaptive scheme is proposed, whose stability and convergence rate are analytically proven. Compared to the standard techniques, this approach does not involve complicated on-line computation and produces consistent estimate of the unknown parameters.
To illustrate the effectiveness of the derived data-driven approaches, three industrial benchmark processes, i.e. the Tennessee Eastman chemical plant, the fed-batch fermentation penicillin process and the continuously stirred tank heater, are finally considered in this thesis.
Durch steigende Anforderungen an Systemverhalten, Produktqualität sowie ökonomischen Betrieb werden moderne technische Systeme stets komplizierter und ihr Grad an Automatisierung steigt wesentlich. Um die Sicherheit und Zuverlässigkeit solcher komplizierter Prozesse zu gewährleisten sind effektive Fehlerdiagnosesysteme heutzutage von großer industrieller Bedeutung. Auch wenn die Theorie zur modellbasierten Fehlerdiagnose wohl etabliert ist so ist es, gerade für komplexe Prozesse, doch schwierig das hierfür benötigte mathematische Modell basierend auf physikalischen Grundprinzipien herzuleiten.
Auf der anderen Seite sind meist viele historische Daten von regulären Sensormessungen sowie Verlaufsprotokolle und -aufzeichnungen von solchen Industrieprozessen vorhanden. Motiviert hierdurch ist es von großem Interesse in der Lage zu sein ein Fehlerdiagnosesystem basierend auf eben diesen vorhandenen Daten zu entwerfen. Daher liegt der Fokus dieser Arbeit auf der Entwicklung effizienter datenbasierter Fehlerdiagnose-Schemata für verschiedene Einsatzzwecke.
Diese Arbeit ist hauptsächlich den Modifikationen der Standardansätze der multivariaten statistischen Prozessüberwachung gewidmet. Die modifizierten Ansätze sind deutlich einfacher als die Standardverfahren und umgehen dazu noch deren Nachteile. Als ein Ergebnis sind die vorgeschlagenen Ansätze in der Lage eine höhere Güte der Fehlerdiagnose bei Anwendungen mit stationären Betriebsbedingungen zu gewährleisten.
Die weiteren Untersuchungen dieser Arbeit befassen sich mit der Entwicklung von zuverlässigen Fehlerdiagnoseschemata für dynamische Prozesse unter industriellen Betriebsbedingungen. Statt das gesamte Prozessmodell identifizieren zu müssen kann hierbei die Erkennung der Hauptfehler meist effizient realisiert werden indem nur Schlüsselkomponenten identifiziert werden. Fortgeschrittene Entwurfsschemata wie zum Beispiel multiple Residuengeneratoren und Zustandsbeobachter werden ebenso untersucht um eine hohe Fehlersensitivitäts-Güte sicherzustellen.
Für Großprozesse die Änderungen, in zum Beispiel ihren Betriebspunkten oder den manipulierten Variablen, unterworfen sind werden rekursive und adaptive Techniken untersucht um Unsicherheiten begegnen zu können. Hierzu wird ein neues datenbasiertes, adaptives Schema vorgeschlagen dessen Stabilität und Konvergenzrate analytisch bewiesen werden. Verglichen mit Standardtechniken beinhaltet dieser Ansatz keine komplizierten Onlineberechnungen und erzeugt eine konsistente Schätzung der unbekannten Parameter.
Um die Effektivität der hergeleiteten datenbasierten Ansätze zu zeigen werden diese am Ende der Arbeit an drei verschiedenen industriellen Beispielprozessen, dem Tennessee Eastman Chemieprozess, dem Penizilin Batch-Edukt Fermentations-Prozess und dem Rührkesselreaktor simulativ erprobt.
Vorschau
Zitieren
Zitierform:
Zitierform konnte nicht geladen werden.