Geçici durum sürecini dikkate alan hata algılama metodu ve uygulamaları

Year 2012, Volume: 3 Issue: 1, 41 - 48, 01.06.2012

Alkan Alkaya İlyas Eker

Abstract

Mühendislik alanına giren sistemlerdeki hataların tespiti ve yalıtımı çok büyük bir öneme sahiptir.
Sistemlerdeki hatanın erken tespit edilmesi, ürün bozulması, performans düşmesi, makinenin kendi kendine
veya insan sağlığına zarar vermesi ve hatta insanların yaşamını kaybetmesi gibi meydana gelebilecek arzu
edilmeyen durumlardan kaçınmak için çok kritik bir rol oynamaktadır. Ayrıca hatalı bölümün doğru ve hızlı
teşhisi, onarım sırasında doğru müdahalelerin yapılmasını ve acil durumlarda en uygun kararların
verilmesini kolaylaştırır. Böylece işletmelerin güvenliği artarken, aksama süreleri ve üretim maliyetleri
düşer.
Kullanılan hata algılama metodları modele dayalı ve veriye dayalı (istatistiksel) olmak üzere genel olarak
ikiye ayrılmaktadır. Herbir metod kendi içerisinde gruplara ayrılmaktadır. Çok değişkenli İstatistiksel
Proses Kontrol (ÇİPK) yaklaşımları endüstriyel süreçlerde performans izleme, hata tespiti ve teşhisinde çok
yaygın olarak kullanılmaktadır. Klasik ÇİPK yaklaşımları, Temel Bileşen Analizi (TBA) gibi gizli değişken
(latent variable) yansıtma metotlarına dayanmaktadır. Bu metotlar yalnızca sistemlerin kararlı durumlarını
(steady-state) dikkate alarak çalışmaktadır. Geçici durum (transient-state) süreçlerinin de dikkate alındığı
uygulamalarda bu geleneksel TBA metotları gözetim sistemlerinin güvenilirliğini riske atacak yanlış alarm
sinyalleri üretmektedir. Bu çalışmada geçici süreçlerin sebep olduğu bu yanlış alarm sinyallerini giderecek
varyansa duyarlı uyarlamalı eşik tabanlı TBA algoritması önerilmiş ve proses kontrol sistemine deneysel
olarak uygulanmıştır. Elde edilen sonuçlar, önerilen algoritmanın proses kontrol sistemlerinde geçici
süreçlerin dahil edildiği durumlarda da başarı sağladığını göstermiştir.

Keywords

Hata algılama, TBA, Uyarlamalı eşik, Deneysel uygulama.

Fault detection in transient state process and experimental applications

Abstract

The purpose of Fault Detection (FD) is to determine
the occurrence of an abnormal event in a process.
The early detection of faults may help to avoid
system breakdowns and product deterioration.
Fault detection algorithms and their applications to
a wide range of industrial processes have been the
subject of intensive research over the past two
decades (Isermann, 2006; Karami vd., 2010). The
methods on Fault Detection and Diagnosis (FDD)
can be divided into two main groups, the modelbased
and data driven-based methods
(Venkatasubramanian vd., 2003a; 2003b; 2003c).
Model-based FD methods are based on comparing
the behaviors of the actual plant and a mathematical
model of the system (Hammouri vd., 2010). The
method uses signal residuals, which indicate
changes between the real process and the process
model. However, obtaining a complete and robust
mathematical model is difficult due to process
complexity and dimension.
The data-based FD methods can be used to solve
these problems (Venkatasubramanian vd., 2003a).
The advantage of these methods is that the model of
the system is not necessary to know in order to make
a conclusion on a fault appearance. This means that
the method is appropriate for the systems that
cannot be easily or ever modeled, or for which the
model is nonlinear, hybrid, or structurally ill-posed.
For the data-based methods, only the availability of
large amount of historical process data is needed
(Venkatasubramanian vd., 2003a).
One of the most common multivariate statistical
process control (MSPC) methods used for this
purpose is principal component analysis (PCA)
(Camacho vd., 2009).
PCA method initially proposed by Pearson (1901)
and later developed by Hotelling (1947). PCA
method is used to extract a few independent
components from highly correlated process data and
use the components to monitor the process
operations. Typically, two major monitoring indices
are calculated, the squared prediction error (SPE)
and the Hotteling T2
index. An abnormal situation
will cause at least one of the two indices to exceed
the control limit.
Conventional PCA methods for the fault detection
have largely focused on the steady-state operations
and are not directly applicable during the
transitions (Jia vd., 2010). Applying a PCA method
to such a transient process can produce excessive
number of false alarms or missed detection of
process faults, that is significantly compromise the
reliability of the monitoring system. Therefore, a
novel PCA fault detection method is required that
explicitly caters to the non-steady states and wide
operating condition changes during transitions.
In the present article, a new monitoring approach is
proposed based on PCA method that covers both the
steady-state and transient operating conditions for
the stationary signals with the variance sensitive
adaptive threshold (Tvsa). The method is implemented
and validated experimentally on a process control
system using on-line data. Experimental test
confirms the fact that the proposed method is
applicable and effective for both the steady-state and
transient operations and gives early warning to
operators.

Keywords

Fault detection, PCA, Adaptive threshold, Experimental applications.