یک سیستم تشخیص گسل فرایند هوشمند مبتنی بر شبکه های عصبی و طرح اندروز

در این مقاله یک سیستم تشخیص گسل فرایند مبتنی بر شبکه عصبی با طرح Andrews برای اطلاعات پیش پردازش برای افزایش عملکرد تشخیص گسل فرآیند آنلاین پیشنهاد شده است. با استفاده از ویژگی های استخراج شده از طرح اندروز به عنوان ورودی به یک شبکه عصبی ، به عنوان طبقه بندی کننده ، سرعت تشخیص و قابلیت اطمینان بهبود می یابد. روشی برای تعیین ویژگی های مهم در عملکرد اندروز ارائه شده است. سیستم تشخیص گسل پیشنهادی برای یک فرآیند راکتور مخزن مداوم شبیه سازی شده شبیه سازی شده اعمال می شود و با دو سیستم تشخیص گسل مبتنی بر شبکه عصبی معمولی مقایسه می شود: طرح B که در آن اندازه گیری های نظارت شده به طور مستقیم پس از مقیاس گذاری و طرح C در جایی که تحت نظارت قرار می گیرد ، به یک شبکه عصبی تغذیه می شوند. اندازه گیری ها قبل از تغذیه به یک شبکه عصبی به داده های روند کیفی تبدیل می شوند. از بین تمام گسل های در نظر گرفته شده ، سیستم تشخیص گسل پیشنهادی به طور متوسط گسل های ناگهانی 5. 45 ثانیه و 2. 66 ثانیه زودتر از طرح های B و C تشخیص داده و به ترتیب به طور متوسط 13. 82 ثانیه و 5. 09 ثانیه زودتر از طرح های B و C به ترتیب تشخیص داده شده است. وادنتایج نشان می دهد که روش نقشه اندروز که در نظارت بر فرآیند آنلاین استفاده شده است ، از نظر پتانسیل بسیار خوبی در نظارت بر فرآیند صنعتی است.

1. مقدمه

پیشرفت ها و پیشرفت ها در فن آوری صنعتی، فرآیندهای تولید صنعتی مدرن را با عملکردهای عملیاتی پیچیده تر، خودکارتر و مولدتر کرده است. این پیشرفت ها کیفیت محصول را افزایش داده و مقیاس تولید را در دهه های گذشته گسترش داده است. خطر خرابی احتمالی اجزای مختلف با پیچیدگی و عملکرد فرآیندهای صنعتی مدرن افزایش می یابد. هر گونه عیبی که به صورت ناچیز پنهان شده باشد، در صورتی که شناسایی نشود، به طور بالقوه می تواند منجر به خسارات عظیمی شود. از بین بردن کامل عیوب در صنایع شیمیایی سخت است. خطاهای کشف نشده در یک فرآیند تولید صنعتی می تواند با خطرات پنهان بزرگی همراه باشد که عواقب جدی ناراحت کننده و اثرات غیرمستقیم بعدی را به همراه خواهد داشت. کاهش کیفیت محصول، به عنوان یک نتیجه اساسی، می تواند شهرت برند و هویت شرکت را از بین ببرد. به ویژه برای شرکت های کوچک و متوسط، این ممکن است منجر به گسست زنجیره سرمایه و اختلال در توسعه شرکت شود. آلودگی محیطی نیز یک اثر معمولی از حوادث فرآیندهای شیمیایی است. اقتدار مقامات محلی ممکن است به دلیل وظیفه حفاظت از محیط زیست به چالش کشیده شود و شرکت ها نیز ممکن است با مجازات های سنگین مواجه شوند. عواقب فاجعه بار، مانند تلفات، معمولاً از دست دادن غیرقابل تخمینی را به همراه دارد که باید به طور کامل از آن اجتناب کرد. به طور کلی، با پیشرفت تکنولوژی صنعتی، بهبود آگاهی محیطی اجتماعی و افزایش تقاضا برای محصولات با کیفیت بالا، اهمیت نظارت بر فرآیندهای صنعتی به طور فزاینده ای اهمیت می یابد. هدف این مقاله ارائه یک سیستم تشخیص عیب جدید برای دستیابی به ارتقای مثبت در نظارت بر فرآیندهای صنعتی است.

روش های مختلف تشخیص و تشخیص خطا پیشنهادی را می توان به طور کلی به سه رویکرد اصلی زیر طبقه بندی کرد: رویکردهای مبتنی بر مدل، رویکردهای مبتنی بر دانش و رویکردهای مبتنی بر تحلیل داده [1،2،3،4]. در حال حاضر، تجزیه و تحلیل داده های بزرگ و یادگیری ماشین به طور گسترده در توسعه تکنیک های جدید تشخیص عیب استفاده می شود. کارهای قبلی راهبردهای تشخیص زیادی را بر اساس تجزیه و تحلیل داده های آماری چند متغیره ارائه می دهند [5،6]. Qin [7] با استفاده از تکنیک های تجزیه و تحلیل داده های آماری چند متغیره، یک بررسی مفصل در مورد پایش و تشخیص فرآیند صنعتی مبتنی بر داده ارائه کرد. Ge [8] تکنیک های مدل سازی و نظارت مبتنی بر داده را برای فرآیندهای صنعتی در سطح کارخانه بررسی کرد. وانگ و همکاران[9] تحقیقات نظری و کاربردهای مهندسی الگوریتم های پایش فرآیند آماری چند متغیره را برای دوره 2008-2017 مرور کرد. تحقیقات مثبت متعدد نشان می دهد که شبکه های عصبی مختلف، به عنوان یک طبقه بندی عالی، می توانند نتایج تشخیص خطای مفیدی را در نظارت بر فرآیند آنلاین ارائه دهند. ژانگ و موریس [10] یک شبکه عصبی فازی را برای تشخیص خطای فرآیند آنلاین ارائه کردند که در آن اندازه گیری های آنلاین به مجموعه های فازی در لایه فازی سازی شبکه عصبی فازی تبدیل می شوند. ژانگ [11] با استفاده از شبکه های عصبی متعدد برای بهبود عملکرد تشخیص خطا ارائه شد و رویکردهای مختلف برای تجمیع شبکه های عصبی متعدد مورد بررسی قرار گرفت. جیانگ و همکاران[12] با استفاده از یادگیری عمیق برای تشخیص خطای ماشین های دوار ارائه شد. لی و همکاران[13] رویکردی برای تشخیص خطای فرآیند صنعتی غیرخطی با استفاده از یادگیری فرهنگ لغت تعبیه شده با رمزگذار خودکار ارائه کرد. لی و همکاران[14] تبدیل موجک یکپارچه با شبکه عصبی کانولوشن برای نظارت بر فرآیند فلوروشیمیایی در مقیاس بزرگ. مزیت استفاده از شبکه های عصبی این است که چندین متغیر مستقل و وابسته می توانند به طور همزمان توسط شبکه عصبی بدون نیاز به دانش عمیق در مورد فرآیند مانند مدل های مکانیکی مدیریت شوند [15،16]. مدل سازی فرآیند و تشخیص خطا با استفاده از جدیدترین توسعه شبکه های عصبی، مانند شبکه عصبی بازگشتی دروازه ای [17]، شبکه های باور عمیق [18] و شبکه عصبی بازگشتی دروازه دار خودکار [19] نیز اخیرا گزارش شده اند.

استراتژی تشخیص ترکیبی ترکیب شبکه عصبی با تکنیک های تجزیه و تحلیل آماری چند متغیره نیز تأثیرات مثبتی بر صنایع فرآیند دارد [20]. WEN و XU [21] یکپارچه RESIIEFF ، تجزیه و تحلیل مؤلفه اصلی و شبکه عصبی عمیق برای تشخیص گسل یک توربین بادی. شانگ و همکاران.[22] با استفاده از تجزیه و تحلیل ویژگی آهسته برای توسعه سنسور نرم از داده های عملکرد فرآیند ارائه شده است. یو و ژانگ [23] یک رویکرد یادگیری مبتنی بر ویژگی های مبتنی بر AutoEncoder را برای تشخیص خطای فرآیند صنعتی ارائه دادند. چن و همکاران.[24] ارائه شده با استفاده از یادگیری مبتنی بر یکدست خودکار مبتنی بر انسداد خودکار یک بعدی برای تشخیص گسل فرآیندهای چند متغیره. بائو و همکاران.[25] یک روش یادگیری عمیق ترکیبی برای تشخیص گسل فرایند شیمیایی ارائه داد.

یک سیستم تشخیص گسل مبتنی بر شبکه عصبی به طور معمول توسط دو سیستم فرعی تشکیل می شود. اولین سیستم قبل از پردازش داده برای استخراج ویژگی های مربوطه از اندازه گیری های نظارت آنلاین ، از طریق رویکردهای ریاضی ، عمدتا تکنیک های تجزیه و تحلیل داده های آماری چند متغیره است. مورد دیگر سیستم تجزیه و تحلیل حالت فرآیند برای به دست آوردن نتایج تشخیص از طریق طبقه بندی کننده ، به طور کلی یک شبکه عصبی ، برای رسیدگی به داده های چند بعدی است. استفاده از ویژگی های استخراج شده به عنوان ورودی های شبکه عصبی به شبکه عصبی در طبقه بندی گسل های مختلف کمک می کند تا مستقیماً با استفاده از اندازه گیری فرآیند نظارت شده به عنوان ورودی شبکه عصبی. در این مقاله قصد دارد تا اثربخشی طرح اندروز در استخراج ویژگی های مؤثر برای تشخیص گسل فرآیند بر روی خط را مورد بررسی قرار دهد.

استراتژی تشخیص عیب هوشمند مبتنی بر داده های پیشنهادی در این مقاله مبتنی بر یک شبکه عصبی به عنوان طبقه بندی کننده است و طرح اندروز را برای پردازش مقدماتی اطلاعات پایش با هدف تسریع سرعت تشخیص و افزایش قابلیت اطمینان تشخیص خطا یکپارچه می کند. نمودار اندروز یک روش تجسم بسیار مفید برای تجزیه و تحلیل داده های چند متغیره است. در بسیاری از زمینه ها از جمله تجزیه و تحلیل داده های انتخابات عمومی پارلمانی سال 2001 در بریتانیا [26،27] استفاده شده است. مزیت منحصر به فرد آن شامل راحتی در تنظیم ابعاد فضای ویژگی استخراج شده است. طرح اندروز در برخورد با مسائل دارای تعداد زیادی متغیر همبسته کارآمد است. یک مشکل با طرح اندروز این است که انتخاب مناسب تعداد ویژگی ها. با این وجود، طرح اندروز پتانسیل زیادی برای بهبود عملکرد تشخیص و تشخیص عیب از طریق استخراج ویژگی های مفید از اندازه گیری های فرآیند نظارت شده اصلی دارد. این مقاله روشی را برای تعیین ویژگی های مهم در تابع اندروز ارائه می کند که جداسازی خوبی بین کلاس ها ایجاد می کند. روش تشخیص خطا پیشنهادی برای یک سیستم راکتور مخزن همزن پیوسته شبیه سازی شده (CSTR) اعمال می شود. به منظور نشان دادن برتری آن، با دو طرح تشخیص مبتنی بر شبکه عصبی سنتی مقایسه شده است.

مقاله بصورت زیر مرتب شده است. بخش 2 سیستم تشخیص پیشنهادی و جزئیات انتخاب پارامتر را ارائه می دهد. بخش 3 مطالعه موردی، یک سیستم CSTR و دو طرح تشخیص خطا مبتنی بر شبکه عصبی سنتی را معرفی می کند. بخش 4 مقایسه عملکرد تشخیص را ارائه می دهد. تعیین ویژگی های مهم نیز نشان داده شده است. بخش 5 مقاله را به پایان می رساند.

2. سیستم عیب یابی پیشنهادی

2. 1. طرح اندروز

نمودار اندروز یک روش تجسم برای داده های با ابعاد بالا است که در ابتدا توسط آماردان دیوید اف. اندروز [28] پیشنهاد شد. در این روش، هر نمونه از یک مجموعه داده ابعادی، X = ( x 1 , x 2 , x 3 , ⋯ , x a ) با استفاده از تابع زیر در یک منحنی نگاشت می شود:

جایی که t در محدوده [−π, π] است. از طریق تابع فوق، هر نمونه داده به یک منحنی در بازه [-π, π] تبدیل می شود. اندروز [28] علاوه بر تابع فوق، توابع دیگری را نیز به عنوان زیر برای استفاده در منحنی ها پیشنهاد کرد.

در کارهای قبلی ، چندین تغییر در توابع طرح اندروز توسط برخی از محققان مانند توابع زیر به ترتیب در [27،29،30] پیشنهاد شده است:

جایی که T در محدوده [−π ، π] و مقادیر ω i از نظر متقابل غیر منطقی است و بین 0. 5 تا 1 اندازه گیری می شود.

با استفاده از عملکرد Andrews برای پردازش اطلاعات ، با انتخاب تعدادی از ویژگی ها در عملکرد Andrews ، یعنی تعداد T-Values ، می توان ابعاد داده را به یک بعد مناسب تغییر داد. در برنامه های نظارت بر فرآیند شیمیایی ، اندازه گیری های چند متغیره از طریق یک تابع اندروز با تعداد مشخصی از مقادیر t به یک ماتریس ویژگی حاوی اطلاعات تبدیل می شوند.

2. 2سیستم تشخیص گسل پیشنهادی

در این مقاله ، سیستم تشخیص گسل پیشنهادی (که به آن طرح A گفته می شود) شامل دو زیر سیستم است: داده های زیر سیستم پیش پردازش و زیر سیستم تجزیه و تحلیل وضعیت فرآیند. در زیر سیستم پیش پردازش داده ها ، از عملکرد Andrews برای پیش پردازش اندازه گیری های آنلاین استفاده می شود. ویژگی های فرآوری شده در سیستم تجزیه و تحلیل حالت فرآیند تغذیه می شوند ، که یک طبقه بندی کننده مبتنی بر شبکه عصبی است. شکل 1 چارچوب سیستم تشخیص گسل پیشنهادی را نشان می دهد. از طریق سیستم پیش پردازش داده ، ویژگی ها از اطلاعات نظارت آنلاین استخراج می شوند. ابعاد ویژگی های استخراج شده توسط تعداد مقادیر t در عملکرد اندرو آورده شده است. این سیستم به جای متغیرهای اصلی از مؤلفه های اصلی استفاده می کند تا اثرات سفارش متغیر را در عملکرد اندرو از بین ببرد. سپس از عملکرد Andrews که توسط معادله (1) با مقادیر t انتخاب شده استفاده می شود ، برای به دست آوردن مجموعه داده ویژگی های حاوی اطلاعات استفاده می شود. سرانجام ، از ویژگی های از پیش پردازش شده برای آموزش یک شبکه عصبی به عنوان طبقه بندی کننده گسل استفاده می شود.

دلیل استفاده از مؤلفه های اصلی به جای متغیرهای اصلی به شرح زیر است. مطالعات قبلی نشان داده اند که اطلاعات چند متغیره پردازش شده توسط منحنی اندروز نسبت به سفارش متغیرها در مجموعه داده ها بسیار حساس است ، که می تواند منجر به عدم قطعیت شود [31،32]. به منظور کاهش تأثیر سفارش متغیر بر روی خروجی های عملکرد Andrews ، اجزای اصلی مجموعه داده های اصلی به عنوان ورودی به عملکرد Andrews به جای متغیرهای اصلی استفاده می شوند [31،32]. مثالی برای نشان دادن تأثیر سفارش متغیر در بخش 3 آورده شده است.

شکل 2 روش پردازش عملکرد Andrews از داده های اصلی را نشان می دهد. در طرح تشخیص پیشنهادی ، یک مجموعه داده فرآیند یک بعدی ، x = (x 1 ، x 2 ، x 3 ، ⋯ ، x a) ، ابتدا به میانگین صفر و واریانس واحد تبدیل می شود و سپس تجزیه و تحلیل مؤلفه اصلی (PCA) اعمال می شودبه داده های مقیاس یافته. از تمام اجزای اصلی به عنوان ورودی به عملکرد اندروز با مقادیر n t استفاده می شود. روشی برای انتخاب مقادیر t (ویژگی ها) بعداً در این بخش مورد بحث قرار خواهد گرفت. پس از عملکرد قبل از پردازش اندروز ، ابعاد داده ها به N تغییر می یابد ، که تعداد مقادیر t مورد استفاده است.

شکل 3 نمونه ای از نقشه اندروز را با استفاده از معادله (1) با 63 مقادیر t به طور یکنواخت در محدوده [−π ، π] توزیع می کند. در شکل 3 ، منحنی های جامد قرمز داده های عادی را نشان می دهند ، منحنی های متراکم آبی داده ها را با گسل شماره 3 نشان می دهند و منحنی های نقطه سیاه نشان دهنده داده ها با گسل شماره 5 است. شکل 3 حاوی 50 نمونه از هر کلاس و هر نمونه استبه عنوان منحنی محاسبه شده با استفاده از معادله (1) نشان داده شده است. خاطرنشان كرد كه در عمل تعداد مناسب مقادیر t باید به درستی انتخاب شود. در اینجا 63 T-Values فقط برای تجسم واضح برای مشاهده جدایی ها استفاده می شود. از شکل 3 مشاهده می شود که اطلاعات نظارتی که از قبل توسط عملکرد اندروز پردازش شده است می تواند بین داده های عادی و داده های گسل در مقادیر خاصی از t جداسازی بیشتری داشته باشد. این می تواند کار طبقه بندی را منجر به بهبود عملکرد تشخیص گسل کند.

از شکل 3 می توان مشاهده کرد که برخی از مقادیر T نسبت به سایر مقادیر ، جدایی بهتری را در بین کلاس ها نشان می دهد. روشی برای تعیین مقادیر t در این مقاله به شرح زیر است. ابتدا با استفاده از تابع Andrews برای پردازش داده ها با تعداد نسبتاً زیاد (به عنوان مثال ، 100) از مقادیر t ، که به طور یکنواخت در محدوده توزیع می شوند [−π ، π]. توجه داشته باشید در اینجا 100 به اندازه کافی تعداد زیادی از مقادیر t در نظر گرفته شده است. دوم ، میانگین مقادیر عملکردی اندرو حاصل در هر t-value برای هر دسته (به عنوان مثال ، عادی ، گسل شماره 1 ، گسل شماره 2 ، ...). سوم ، حداقل فاصله بین این مقادیر عملکرد اندرو را در هر مقدار t محاسبه کنید. در آخر ، اولین چند مقادیر t را با مقادیر با حداقل فاصله بزرگ انتخاب کنید ، که نشانگر جدایی خوب در بین کلاس ها است.

3. یک سیستم CSTR

3. 1یک سیستم راکتور مخزن مداوم شبیه سازی شده

به منظور نشان دادن مزایای استراتژی تشخیص خطای پیشنهادی، یک سیستم CSTR شبیه سازی شده، که از [33] گرفته شده است، برای نشان دادن و مقایسه عملکرد تشخیص استفاده می شود. شکل 4 نمودار سیستم CSTR را نشان می دهد. یک واکنش گرمازا کاتالیزوری ناهمگن برگشت ناپذیر در CSTR رخ می دهد. غلظت محصول به طور غیرمستقیم با کنترل دما، زمان ماند و شرایط اختلاط در CSTR در سطح مورد نظر حفظ می شود. بخشی از جریان خروجی راکتور از طریق یک مبدل حرارتی به راکتور بازیافت می شود تا با دستکاری نرخ جریان آب سرد تغذیه شده به مبدل حرارتی از طریق یک سیستم کنترل آبشاری، کنترل دما را فراهم کند. زمان ماند از طریق کنترل کننده سطح راکتور کنترل می شود و شرایط اختلاط با حفظ نرخ جریان بازیافت کنترل می شود. خواص فیزیکی ثابت و فشارهای مرزی ثابت تمام جریان های ورودی و خروجی فرض می شود. اختلاط کامل در راکتور فرض می شود. تحت این مفروضات، یک مدل مکانیکی از موازنه جرم و تعادل انرژی ایجاد شده و برای شبیه سازی فرآیند استفاده می شود.

اندازه گیری های فرآیند شبیه سازی شده در شرایط عادی و شرایط غیرعادی مختلف با نویز اندازه گیری معمولی تولید می شوند. اندازه گیری های آنلاین شبیه سازی شده از 10 متغیر فرآیند اندازه گیری شده آنلاین و 3 خروجی کنترل کننده تشکیل شده اند. زمان نمونه برداری از کنترلرها 4 ثانیه است. جدول 1 11 گسل در نظر گرفته شده را نشان می دهد که خطاهای معمولی در فرآیندهای صنعتی هستند [33]. جدول 2 محدوده نویز اندازه گیری را نشان می دهد.

مثالی در اینجا آورده شده است تا نشان دهد چگونه استخراج ویژگی توسط ترتیب متغیرها تحت تأثیر قرار می گیرد. شکل 5 نمودارهای اندروز را با استفاده از داده های تحت خطای شماره 7 با ترتیب سه متغیر فرآیند متفاوت نشان می دهد. 13 منبع اطلاعات آنلاین، [x 1، x 2، …، x 13]، نشان دهنده 10 متغیر اندازه گیری شده در سیستم CSTR شبیه سازی شده است که عبارتند از دمای واکنش دهنده ورودی، دمای راکتور، سطح مخزن، سرعت جریان واکنش دهنده ورودی،نرخ جریان واکنش دهنده بازیافتی، نرخ جریان محصول، نرخ جریان آب سرد ورودی به مبدل حرارتی، غلظت محصول در راکتور، غلظت واکنش دهنده در جریان ورودی، فشار مایع خروجی از پمپ و 3 خروجی کنترل کننده.

متغیر شماره شماره 1 [x 1 ، x 2 ، x 3 ، x 4 ، x 5 ، x 6 ، x 7 ، x 8 ، x 9 ، x 10 ، x 11 ، x 12 ، x 13] ، سفارش متغیر شماره2 است [x 1 ، x 2 ، x 3 ، x 11 ، x 8 ، x 9 ، x 10 ، x 4 ، x 5 ، x 6 ، x 7 ، x 12 ، x 13] و سفارش متغیر شماره 3 است[x 1 ، x 2 ، x 12 ، x 13 ، x 9 ، x 10 ، x 11 ، x 3 ، x 4 ، x 5 ، x 6 ، x 7 ، x 8]. ستون سمت چپ شکل 5 نتایج را با استفاده از مؤلفه های اصلی به جای اطلاعات مانیتورینگ اصلی مقیاس نشان می دهد و ستون سمت راست نتایج را با استفاده از اطلاعات مانیتورینگ اصلی مقیاس نشان می دهد. توجه داشته باشید که قبل از استفاده از عملکرد PCA و Andrews ، اطلاعات نظارت اصلی به میانگین صفر و واریانس واحد تبدیل می شود. توطئه های بالا (منحنی های قرمز) نشان دهنده شماره شماره 1 متغیر ، توطئه های میانی (منحنی های آبی) نشان دهنده شماره شماره 2 متغیر است ، و توطئه های پایین (منحنی های سیاه) نشان دهنده شماره شماره 3 متغیر است. منحنی ها با استفاده از 100 T تولید می شوند-مقادیر یکنواخت در محدوده [−π ، π] و 50 نمونه از داده های اصلی توزیع شده است. از شکل 5 می توان دریافت که توطئه های اندروز از اندازه گیری های اصلی می توانند نتایج متفاوتی را برای ترتیب متغیر مختلف ارائه دهند. با این حال ، توطئه های اندروز از مؤلفه های اصلی می توانند به وضوح اثرات سفارش متغیر را از بین ببرند. توجه داشته باشید که مؤلفه های اصلی همیشه به ترتیب واریانس داده ای که توضیح داده اند تنظیم می شوند.

3. 2طرح تشخیص خطای پایه در سیستم CSTR

در این مقاله ، یک سیستم تشخیص گسل مبتنی بر شبکه عصبی معمولی به عنوان یک مطالعه مقایسه ای تهیه شده است. در این طرح تشخیص پایه (به عنوان طرح B) ، اندازه گیری های اصلی مقیاس بندی شده و سپس مستقیماً در یک شبکه عصبی تغذیه می شوند. برای تولید داده های مورد استفاده برای آموزش و آزمایش شبکه عصبی ، داده های عملکرد عادی و داده های عملکرد معیوب برای هر گسل در قالب گسل ناگهانی از شبیه سازی تولید می شوند. جدول 3 مقادیر متغیر مربوط به 11 گسل را نشان می دهد. این مقادیر در سیستم CSTR شبیه سازی شده برای تولید مجموعه داده گسل در نظر گرفته شده برای آموزش شبکه عصبی استفاده می شود. شکل 6 طرح پایه را نشان می دهد. معادله مقیاس گذاری در این مورد توسط موارد زیر آورده شده است:

در جایی که x i مقدار واقعی است ، x i ، p مقادیر از پیش پردازش شده برای اندازه گیری on-online است ، x ¯ i ، n o r m a l میانگین مقدار داده های عادی است و x s t d انحراف استاندارد داده های عادی است.

علاوه بر این طرح پایه ، از طرح دیگری (به عنوان طرح C) نیز برای مقایسه با طرح پیشنهادی استفاده می شود. در طرح C ، اطلاعات فرآیند نظارت شده (x_i) به مقادیر روند کیفی تبدیل می شود (x_i,p): افزایش (1) ، پایدار (0) و کاهش (1 -) به شرح زیر:

3. 3گسل های ناگهانی و گسل های اولیه در سیستم CSTR

در این مقاله ، هر دو خطای ناگهانی و گسل های اولیه در نظر گرفته شده است. یک گسل ناگهانی به این معنی است که پارامتر فرآیند مربوط به گسل هنگام وقوع گسل به طور ناگهانی متفاوت است. یک گسل ناگهانی به عنوان یک تغییر مرحله در پارامتر فرآیند مرتبط شبیه سازی می شود. یک گسل اولیه به این معنی است که بزرگی گسل به تدریج در حال رشد است. در مرحله اولیه یک گسل اولیه ، اثر آن به صورت کوچک پنهان می شود و در صورت عدم کشف ، خسارات کافی را جمع می کند. رشد یک گسل اولیه را می توان با معادله زیر توصیف کرد:

جایی که m n مقدار طبیعی یک پارامتر فرآیند است ، m f (t) مقدار معیوب همان پارامتر فرآیند را در زمان t نشان می دهد ، γ گسل در حال توسعه یک گسل اولیه است و t زمان شروع از شروع استگسل اولیه. معادله فوق می تواند برای نشان دادن گسلهای اولیه مشترک در فرآیندهای صنعتی استفاده شود [33].

در این مطالعه ، سه گروه از گسل های ناگهانی و سه گروه از گسل های اولیه تحت شرایط مختلف گسل به عنوان داده های اعتبار سنجی غیب برای ارزیابی سیستم های تشخیص گسل توسعه یافته تولید شدند. در جدول 4 سه گروه از بزرگی گسل نسبی (مگ 1 ، جادو 2 و جادو 3) مربوط به 11 گسل ناگهانی ارائه می شود. جدول 5 سه گروه از سرعت در حال توسعه گسل را نشان می دهد (γ₁ , γ₂و γ₃) مربوط به 11 گسل اولیه.

4. نتایج

4. 1توسعه سیستم تشخیص گسل

عملکرد طرح تشخیص پیشنهادی A با طرح های معمولی B و C تحت گسل های ناگهانی و گسل های اولیه مقایسه می شود. در طرح پیشنهادی A ، انتخاب مقادیر T (تعداد ویژگی ها) در عملکرد اندروز مهم است و می تواند بر عملکرد تشخیص نهایی تأثیر بگذارد. در کاربرد عملی ، از آنجا که تعداد نامتناهی T-Value در عملکرد اندروز و تعداد زیادی از متغیرها در یک فرآیند مهندسی شیمی ، انتخاب مقادیر مناسب T ممکن است وقت گیر باشد.

از روش تعیین ویژگی های مهم ( t-dalues) ارائه شده در بخش 2 در اینجا استفاده می شود. مقادیر عملکرد اندرو برای تمام داده ها در 100 T-Values که به طور یکنواخت در محدوده توزیع می شوند [−π ، π] محاسبه می شوند. حداقل فاصله بین تمام کلاس ها (عادی ، گسل شماره 1 ، ... ، گسل شماره 11) در هر یک از این مقادیر t محاسبه می شود. شکل 7 30 مقادیر حداقل فاصله حداقل در ترتیب نزولی را نشان می دهد. مشاهده می شود که مقادیر حداقل فاصله پس از حدود 11 مقادیر اول به سرعت کاهش می یابد. بنابراین ، 11 مقادیر اول T انتخاب شده اند ، یعنی مقادیر انتخابی نهایی T [3/3 . 1414 ، -0. 6846 ، −0. 5586 ، −0. 4956 ، −0. 4326 ، −0. 3696 ، 0. 2604 ، 2. 9064 ، 209694 ، 3. 3054 ، 209694 ، 3694 ، 209694 ، 209694 ، 20964 ، 20964 ، 209064 ، 209064 ، 209064 ، 209064 ، 20964 ، 20964 ، 20964 ، 20964 ، 20964 ،< SPAN> روش تعیین ویژگی های مهم ( T-Values) ارائه شده در بخش 2 در اینجا استفاده می شود. مقادیر عملکرد اندرو برای تمام داده ها در 100 T-Values که به طور یکنواخت در محدوده توزیع می شوند [−π ، π] محاسبه می شوند. حداقل فاصله بین تمام کلاس ها (عادی ، گسل شماره 1 ، ... ، گسل شماره 11) در هر یک از این مقادیر t محاسبه می شود. شکل 7 30 مقادیر حداقل فاصله حداقل در ترتیب نزولی را نشان می دهد. مشاهده می شود که مقادیر حداقل فاصله پس از حدود 11 مقادیر اول به سرعت کاهش می یابد. بنابراین ، 11 مقادیر اول T انتخاب شده اند ، یعنی مقادیر انتخابی نهایی T [3/3 . 1414 ، -0. 6846 ، −0. 5586 ، −0. 4956 ، −0. 4326 ، −0. 3696 ، 0. 2604 ، 2. 9064 ، 209694 ، 3. 3054 ، 209694 ، 3694 ، 209694 ، 209694 ، 20964 ، 20964 ، 209064 ، 209064 ، 209064 ، 209064 ، 20964 ، 20964 ، 20964 ، 20964 ، 20964 ،از روش تعیین ویژگی های مهم ( t-dalues) ارائه شده در بخش 2 در اینجا استفاده می شود. مقادیر عملکرد اندرو برای تمام داده ها در 100 T-Values که به طور یکنواخت در محدوده توزیع می شوند [−π ، π] محاسبه می شوند. حداقل فاصله بین تمام کلاس ها (عادی ، گسل شماره 1 ، ... ، گسل شماره 11) در هر یک از این مقادیر t محاسبه می شود. شکل 7 30 مقادیر حداقل فاصله حداقل در ترتیب نزولی را نشان می دهد. مشاهده می شود که مقادیر حداقل فاصله پس از حدود 11 مقادیر اول به سرعت کاهش می یابد. بنابراین ، 11 مقادیر اول T انتخاب شده اند ، یعنی مقادیر انتخابی نهایی T [3/3 . 1414 ، -0. 6846 ، −0. 5586 ، −0. 4956 ، −0. 4326 ، −0. 3696 ، 0. 2604 ، 2. 9064 ، 209694 ، 3. 3054 ، 209694 ، 3694 ، 209694 ، 209694 ، 20964 ، 20964 ، 209064 ، 209064 ، 209064 ، 209064 ، 20964 ، 20964 ، 20964 ، 20964 ، 20964 ،

داده های آموزش و آزمون با استفاده از شبیه سازی بر اساس مدل مکانیکی فرآیند تولید شد. داده های عملیاتی فرآیند شبیه سازی شده تحت عملیات عادی و 11 خطا با شرایط خطا ارائه شده در جدول 3 تولید شد. برای هر خطا، 80 نمونه جمع آوری شد که یک یا چند متغیر فرآیند 3 برابر انحراف استاندارد نرمال آنها وجود داشته باشد. داده های عملیات عادی نیز شامل 80 نمونه است. برای 80 نمونه مربوط به هر دسته، 50 نمونه به عنوان داده های آموزشی به طور تصادفی انتخاب شدند و 30 نمونه به عنوان داده های آزمون مورد استفاده قرار گرفتند. بنابراین مجموعه داده های آموزشی شامل 600 نمونه و مجموعه داده های تست شامل 360 نمونه است. شبکه های عصبی بر روی مجموعه داده های آموزشی آموزش داده شدند و مجموعه داده های آزمایشی برای تعیین ساختار شبکه و پیاده سازی مکانیسم «توقف زودهنگام» در طول آموزش شبکه استفاده شد [15]. در هر سه طرح، شبکه های عصبی شبکه های پیش خور یک لایه پنهان با تابع سیگموئید در لایه پنهان و لایه خروجی هستند. همه شبکه ها دارای 11 نورون لایه خروجی هستند که مربوط به 11 خطا هستند. شبکه ها با استفاده از روش آموزش پس انتشار با سرعت یادگیری، حرکت ثابت و حداکثر گام های آموزشی به ترتیب 0. 01، 0. 9 و 1000 آموزش داده شدند. هدف آموزش به حداقل رساندن میانگین مربعات خطاهای شبکه است. در طول آموزش شبکه، خروجی هدف 1 به خروجی شبکه مربوط به خطا اختصاص داده می شود در حالی که هدف برای سایر خروجی های شبکه 0 است. در هنگام تشخیص، خروجی های شبکه عصبی زمانی که نمونه ها در شرایط عملیاتی عادی هستند باید کمتر از 0. 2 باشد.. نتیجه تشخیص زمانی صادر می شود که خروجی شبکه عصبی مربوط به خطا بالاتر از 0. 8 باشد در حالی که سایر خروجی های شبکه زیر 0. 2 باشد. زمانی که خروجی شبکه عصبی مربوط به خطا بالاتر از 0. 4 باشد، هشدار قبلی صادر می شود. ارزیابی سیستم های تشخیص عیب عمدتا بر اساس دقت، استحکام و سرعت تشخیص است. زمان تشخیص به عنوان زمان بین شروع یک خطا و تشخیص موفقیت آمیز اندازه گیری می شود. زمان هشدار اولیه به عنوان زمان بین شروع خطا و صدور یک هشدار اولیه صحیح تعریف می شود.

تعداد نورونهای پنهان از طریق اعتبار سنجی متقاطع در داده های آزمایش تعیین شد. تعدادی از شبکه های عصبی با تعداد مختلف نورون های پنهان بر روی داده های آموزش آموزش داده و بر روی داده های آزمایش آزمایش شدند. این شبکه بهترین عملکرد کلی را در داده های آزمایش به عنوان تعداد مناسب نورون های پنهان در نظر گرفته می شود. جدول 6 ، جدول 7 و جدول 8 به ترتیب تعداد مختلف نورونهای پنهان در طرح های تشخیص A ، B و C را به ترتیب در داده های آزمایش نشان می دهد. در جدول 6 ، جدول 7 و جدول 8 ، بهترین عملکرد با فونت جسورانه مشخص شده است. مشاهده می شود که بهترین تعداد نورون های پنهان برای طرح های A ، B و C به ترتیب 15 ، 17 و 13 هستند. جدول 9 تعداد نورون ها را در لایه های مختلف شبکه های عصبی خلاصه می کند.

4. 2عملکرد تحت گسل های ناگهانی

طرح پیشنهادی A و طرح های معمولی B و C بر روی سه گروه از گسل های ناگهانی ارائه شده توسط جدول 4 برای نشان دادن برتری روش پیشنهادی آزمایش شده است. تمام گسل های ناگهانی در 40 ثانیه آغاز شد. جدول 10 نشان می دهد که تمام سیستم های تشخیصی با موفقیت همه گسلهای ناگهانی در نظر گرفته شده را تشخیص داده اند. از نظر سرعت تشخیص ، طرح تشخیص پیشنهادی A به ترتیب به طور متوسط نسبت به طرح های B و C ، گسل های ناگهانی 5. 45 ثانیه و 2. 66 ثانیه را تشخیص داده است. توجه داشته باشید که از زمان نمونه برداری ، معیارهای سنتی مانند میزان تشخیص گسل (FDR) و میزان تشخیص از دست رفته (MDR) به راحتی می توان از زمان تشخیص گسل در جدول 10 به دست آورد. واددر تمام گسل های در نظر گرفته شده در اینجا ، هیچ مورد تشخیص نادرست وجود ندارد و نمونه های کشف نشده در مراحل اولیه گسل ها هستند. بنابراین ، برای همه گسل های در نظر گرفته شده در اینجا ، MDR را می توان به سادگی به عنوان 1-FDR بدست آورد. از جدول 11 مشاهده می شود که طرح پیشنهادی A به طور کلی FDR بالاتر از طرح های B و C را ارائه می دهد. جدول 11 همچنین نشان می دهد که FDR در زمانی که قدر گسل بیشتر باشد به عنوان یک گسل با بزرگی بالاتر ، تشخیص و تشخیص آسانتر است. از همان گسل با بزرگی پایین. شکل 8 و شکل 9 دو مجموعه از خروجی های تشخیص را در گسل های ناگهانی به عنوان نمونه نشان می دهد تا استحکام طرح پیشنهادی را نشان دهد.

شکل 8 عملکرد طرح های A و B را در تشخیص خطای ناگهانی شماره 2 نشان می دهد که بزرگی نسبی خطا 1. 67٪ است. در شکل 8 و نمودارهای خروجی تشخیص بعدی، F1 تا F11 به ترتیب خروجی های شبکه عصبی مربوط به خطای شماره 1 تا 11 فهرست شده در جدول 1 را نشان می دهد. خطوط تیره بالا نشان دهنده آستانه تشخیص (0. 8) در حالی که خطوط نقطه چین پایین نشان دهنده آستانه هشدار پیشروی (0. 4). شکل 8a نشان می دهد که طرح A با موفقیت عیب را در 20 ثانیه پس از شروع خطا تشخیص داد. شکل 8b نشان می دهد که خروجی های طرح B، زمانی که شرایط غیرعادی اتفاق می افتد اما با نوسانات، به سرعت پاسخ می دهند. در نهایت عیب در 32 ثانیه پس از شروع خطا تشخیص داده شد. سپس منحنی خروجی همچنان با قدر معینی روی 0. 8 نوسان می کند. مشاهده می شود که طرح پیشنهادی A خطا را 12 ثانیه زودتر از طرح B تشخیص داده و منحنی خروجی پایدارتر از طرح B است.

شکل 9 عملکرد طرح های A و B را در تشخیص خطای ناگهانی شماره 7 نشان می دهد که بزرگی نسبی خطا 86/27 درصد است. همانطور که در مورد قبلی، خروجی ها در طرح A قبل از تثبیت نوسان، نقاط ایزوله ای دارند که از آستانه تشخیص (0. 8) فراتر رفته اند. شکل 9a نشان می دهد که طرح A با موفقیت عیب را در 16 ثانیه پس از شروع خطا تشخیص داد. شکل 9b نشان می دهد که طرح B با موفقیت عیب را در 36 ثانیه پس از شروع خطا تشخیص داد. زمان تشخیص طرح A برای این خطا 20 ثانیه کوتاهتر از طرح B است.

4. 3. عملکرد تحت خطاهای اولیه

طرح پیشنهادی A و طرح های معمولی B و C در سه گروه از گسل های اولیه داده شده توسط جدول 5 برای مقایسه نتایج تشخیص گسل اعمال می شود. تمام گسل های اولیه در 0 ثانیه آغاز شد. جدول 12 نشان می دهد که تمام سیستم های تشخیصی با موفقیت همه گسلهای اولیه در نظر گرفته شده را تشخیص داده اند. از نظر سرعت تشخیص ، طرح تشخیص پیشنهادی A به ترتیب به طور متوسط نسبت به طرح های B و C ، گسل های اولیه 13. 82 ثانیه و 5. 09 ثانیه را تشخیص داده است. در جدول 13 مقادیر FDR برای گسل های اولیه در نظر گرفته شده در سه طرح ارائه شده است. در می توان مشاهده کرد که طرح پیشنهادی A به طور کلی FDR بالاتر از طرح های B و C را نشان می دهد. جدول 13 همچنین نشان می دهد که FDR هنگامی که سرعت در حال توسعه گسل بالاتر است ، بالاتر است زیرا یک گسل در حال توسعه سریعتر به طور کلی تشخیص و تشخیص آسانتر از کندتر است. در حال توسعه تقصیرمانند موارد گسل ناگهانی ، هیچ مورد تشخیص نادرست وجود ندارد و تمام نمونه های کشف نشده در مراحل اولیه گسل ها وقتی که بزرگی آنها کم است ، هستند. بنابراین ، MDR را می توان به سادگی به عنوان 1-FDR تهیه کرد و در اینجا نشان داده نشده است. ارقام زیر سه مجموعه از خروجی های تشخیص را در گسل های اولیه به عنوان نمونه نشان می دهد تا عملکرد خوب طرح پیشنهادی را نشان دهد.

شکل 10 عملکرد طرح A و طرح B را در تشخیص گسل اولیه شماره 3 نشان می دهد ، با سرعت در حال رشد به عنوان γ = - 10 × 10 - 4 (S - 1). از شکل 10a می توان مشاهده کرد که ، طبق طرح A ، خروجی شبکه مربوط به گسل شماره 3 با برخی از نوسانات جزئی پس از ایجاد یک گسل دوره ، به بیش از 0. 8 افزایش می یابد ، در حالی که تمام خروجی های شبکه دیگر همانطور که در شکل نشان داده شده است. 10b ، تحت طرح B ، خروجی شبکه مربوط به گسل شماره 3 به تدریج همراه با برخی از نوسانات بزرگ تا آستانه تشخیص ، پس از آن پایدار می شود ، در حالی که تمام خروجی های شبکه نزدیک به 0 باقی می مانند. شماره 3 در این فرآیند رخ داده است. شکل 10a نشان می دهد که طرح با موفقیت در 104 ثانیه با موفقیت تشخیص داده شده است. شکل 10b نشان می دهد که طرح B با موفقیت گسل را در 152 ثانیه تشخیص داده است. برای این گسل اولیه خاص ، طرح A خطای 48 ثانیه را زودتر از طرح B تشخیص داده است ، و منحنی های خروجی طرح A نیز زودتر از طرح های طرح B تثبیت می شود.

شکل 11 عملکرد طرح های A و B را در تشخیص گسل اولیه شماره 5 نشان می دهد ، با این که گسل سرعت در حال رشد γ = 10 × 10 - 4 (S - 1) است. همانطور که در شکل 11a نشان داده شده است ، پس از افزایش دوره گسل ، خروجی شبکه مربوط به گسل شماره 5 به سرعت بالا می رود و از 0. 8 به سرعت فراتر می رود ، در حالی که تمام خروجی های دیگر شبکه نزدیک به 0 باقی می مانند. از این رو ، یک طرح را با موفقیت در 116 ثانیه تشخیص داد. وادهمانطور که در شکل 11B نشان داده شده است ، خروجی شبکه مربوط به گسل شماره 5 به تدریج در آستانه تشخیص 0. 8 افزایش می یابد ، در حالی که تمام خروجی های دیگر شبکه نزدیک به 0 باقی می مانند. از این رو ، طرح B با موفقیت در 152 ثانیه گسل را تشخیص داد. برای این گسل اولیه خاص ، طرح پیشنهادی A گسل 36 ثانیه را زودتر از طرح B تشخیص داده است ، و منحنی های خروجی طرح A نیز زودتر از برنامه های B تثبیت می شود.

شکل 12 عملکرد طرح های A و B را در تشخیص گسل اولیه شماره 10 نشان می دهد ، با این که گسل سرعت در حال رشد γ = 10 × 10 - 5 (S - 1) است. از شکل 12 می توان مشاهده کرد که ، پس از یک دوره اولیه پیشرفت گسل ، خروجی شبکه مربوط به گسل شماره 10 به تدریج با برخی از نوسانات جزئی نزدیک به 1 افزایش می یابد ، در حالی که تمام خروجی های دیگر شبکه از 0. 2 پایین تر هستند. شکل 12a نشان می دهد که این طرح با موفقیت در 96 ثانیه با موفقیت تشخیص داده شده است. شکل 12b نشان می دهد که طرح B با موفقیت گسل را در 124 ثانیه تشخیص داده است. مشاهده می شود که منحنی خروجی مربوط به گسل شماره 10 از طرح B در رسیدن به آستانه تشخیص در هنگام وقوع وضعیت غیر طبیعی کندتر است. در این حالت ، طرح پیشنهادی A گسل 28 ثانیه را زودتر از طرح B تشخیص داده است.

5. نتیجه گیری ها

در این مقاله یک سیستم تشخیص گسل فرایند آنلاین مبتنی بر شبکه عصبی هوشمند مبتنی بر ادغام نقشه اندروز و تکنیک های شبکه عصبی ارائه شده است. با استفاده از ویژگی های استخراج شده از طرح اندروز به عنوان ورودی به یک شبکه عصبی ، سرعت تشخیص و قابلیت اطمینان بهبود می یابد. روشی برای تعیین ویژگی های مهم در عملکرد اندروز نیز ارائه شده است. برنامه های کاربردی برای یک فرآیند CSTR شبیه سازی شده نتایج بسیار دلگرم کننده ای را نشان می دهد. نشان داده شده است که روش پیشنهادی از نظر سرعت و دقت تشخیص می تواند عملکرد خوبی داشته باشد. علاوه بر این ، روش پیش پردازش داده های پیشنهادی در تنظیم داده های ابعادی بالا به اندازه مناسب بسیار مؤثر است. مانند سایر سیستم های تشخیص گسل مبتنی بر شبکه عصبی ، یکی از محدودیت های روش پیشنهادی این است که نیاز به در دسترس بودن داده های فرآیند پوشش گسل های مختلف دارد. مقابله با مجموعه داده های نامتوازن و در دسترس بودن برخی از داده های گسل ، مستحق تحقیقات آینده است. ادغام نقشه اندروز با سایر روشهای یادگیری ماشین مانند ماشین های بردار پشتیبانی یا جنگل های تصادفی در آینده می تواند انجام شود. علاوه بر این ، استفاده ترکیبی از طرح اندرو و سایر رویکردهای استخراج ویژگی در آینده می تواند برای کاهش عدم اطمینان مورد بررسی قرار گیرد. برنامه های کاربردی برای سیستم های دنیای واقعی را می توان در آینده در نظر گرفت.

کمک های نویسنده

مفهوم سازی ، S. W. و J. Z. ؛روش شناسی ، S. W. و J. Z. ؛نرم افزار ، S. W. و J. Z. ؛اعتبار سنجی ، S. W. ؛تجزیه و تحلیل رسمی ، S. W. ؛تحقیقات ، S. W. ؛منابع ، J. Z. ؛درمان داده ها ، S. W. و J. Z. ؛نوشتن - پیش نویس آماده سازی ، S. W. ؛نوشتن - بررسی و ویرایش ، J. Z. ؛تجسم ، S. W. ؛نظارت ، J. Z. ؛مدیریت پروژه ، J. Z. ؛کسب بودجه ، J. Z. هر دو نویسنده نسخه منتشر شده از نسخه خطی را خوانده و موافقت کرده اند.

منابع مالی

این تحقیق توسط اتحادیه اروپا (پروژه شماره PIRSES-GA-2013-612230) و بنیاد ملی علوم طبیعی چین (61673236) تأمین شد.