آشکارسازی عیب با استفاده از یک‌پارچه‌سازی روش آنالیز متغیر استاندارد و آنالیز مؤلفه مستقل مبنی بر فاکتور برون هشته محلی
الموضوعات :
الهام توسلی‌پور
1
(دانشگاه تربیت مدرس)
محمدتقی حمیدی بهشتی
2
(دانشگاه تربیت مدرس)
امین رمضانی
3
(دانشگاه تربیت مدرس)
الکلمات المفتاحية: آنالیز متغیر استاندارد آنالیز مؤلفه مستقل فاکتور برون هشته محلی فرایند TE,
ملخص المقالة :
با توجه به اهمیت تشخیص و تصحیح سریع شرایط غیر عادی عیب در فرایندهای صنعتی، در این مقاله روشی جدید به منظور نظارت فرایند پیشنهاد شده است. در این روش هم‌زمان هم دینامیک فرایند و هم تأثیر داده‌های برون هشته در نظر گرفته شده است. ابتدا دینامیک فرایند به وسیله روش آنالیز متغیر استاندارد اعمال شده و سپس از الگوریتم آنالیز مؤلفه مستقل به منظور کاهش بعد داده‌ها استفاده شده است. همچنین حذف داده‌های برون هشته و محاسبه حد کنترلی بر اساس الگوریتم فاکتور برون هشته محلی صورت گرفته است که هیچ توزیع خاصی را برای متغیرهای فرایند در نظر نمی‌گیرد. از این رو با داده‌های موجود در صنعت تطابق دارد. همچنین به منظور افزایش اعتبار روش پیشنهادی در راستای آشکارسازی عیب، این الگوریتم بر روی فرایند TE شبیه‌سازی شده است و مقایسه‌ای با نتایج حاصل از پژوهش‌های دیگر صورت گرفته است. نتایج حاکی از آن است که الگوریتم پیشنهادی بهترین عملکرد را نسبت به سایر روش‌ها دارد.
[1] J. V. Kresta, J. F. Macgregor, and T. H. E. Marlin, "Multivariate statistacial monitoring of process operating performance," Can. J. Chem. Eng., vol. 69, no. 1, pp. 35-47, 1991.
[2] B. R. Bakhshi, "Multiscale PCA with application to multivariate statistical process monitoring," AlChE Journal, vol. 44, no. 7, pp. 1596-1610, 1998.
[3] W. Li, H. Yue, S. V. Cervantes, and J. Qin, "Recursive PCA for adaptive process monitoring," J. Process Control, vol. 10, no. 5, pp. 471-486, 2000.
[4] B. M. Wise and N. B. Gallagher, "The process chemometrics approach to process monitoring and fault detection," Comp. Chem. Eng, vol. 20, no. 1, pp. 65-78, 1996.
[5] D. Dong and T. J. MacAvoy, "Nonlinear principal component analysis based on principal curves and neural networks," J. Process Control, vol. 6, no. 6, pp. 329-348, Jan. 1996.
[6] P. Nomikos and J. F. MacGrejor, "Monitoring batch processes using multiway principal component analysis," AlChE Journal, vol. 40, no. 8, pp. 1361-1375, Aug. 1994.
[7] J. M. Lee, C. Yoo, S. W. Choi, P. A. Vanrolleghem, and I. B. Lee, "Nonlinear process monitoring using kernel principal component analysis," Chem. Eng. Sci, vol. 59, pp. 223-234, 2004.
[8] S. W. Choi, C. Lee, J. M. Lee, J. H. Park, and I. B. Lee, "Fault detection and identification of nonlinear process based on kernel PCA," Chemometr. Intell. Lab, vol. 75, no. 1, pp. 55-67, 2005.
[9] A. Hyvarinen and E. Oja, "Independent component analysis: algorithm and applications," Neural Network Control, vol. 13, no. 4-5, pp. 411-413, May/Jun. 2000.
[10] C. Hsu, M. Chen, and L. Chen, "Intelligent ICA-SVM fault detector for non-gaussian multivariate process monitoring," Expert Syst., vol. 37, no. 4, pp. 3264-3273, Apr. 2010.
[11] W. Li and S. Hongbo, "Multivariate statistical process monitoring using an improved independent component analysis," Chemical Engineering Research and Design, vol. 88, no. 4, pp. 403-414, Apr. 2010.
[12] Y. Zangh, "Enhanced statistical analysis of nonlinear using KPCA, KICA and SVM," Chem. Eng. Sci, vol. 64, no. 5, pp. 801-811, Mar. 2009.
[13] Z. Ge and Z. Song, "Process monitoring based on independent component analysis-principal component analysis (ICA-PCA) and similarity factors," Ind. Eng. Chem. Res., vol. 46, no. 7, pp. 2054-2063, Mar. 2007.
[14] X. Liu, L. Xie, U. Kruger, T. Littler, and S. Wang, "Statistical-based monitoring of multivariate non-gaussian systems," AlChE J., vol. 54, pp. 2379-2391, 2008.
[15] R. Storer, W. Ku, and C. Georgakis, "Disturbance detection and isolation by dynamic principal component analysis," Chemometr. Intell. Lab, vol. 30, no. 1, pp. 179-196, Nov. 1995.
[16] M. L. Jong, Y. ChangKyoo, and L. In-Beum, "Statistical monitoring of dynamic processes based on dynamic independent component analysis," Chem. Eng. Sci, vol. 59, no. 14, pp. 2995-3006, Jul. 2004.
[17] M. Isaac, B. Raul, E. Gerard, and G. Moises, "DICA enhanced SVM classification approach to fault diagnosis for chemical processes," in Proc. 19th European Symposium on Computer Aided Process Engineering, ESCAPE'09, vol. 26, pp. 267-272, 2009.
[18] H. Chun-Chin, C. Long-Sheng, and L. Cheng-Hsiang, "A process monitoring scheme based on independent component analysis and adjusted outliers," Int. J. Prod. Res, vol. 48, no. 15, pp. 1727-1743, 2010.
[19] H. Chun-Chin, C. Mu-Chen, and C. Long-Sheng, "A novel process monitoring approach with dynamic independent component analysis," Control Eng. Pract., vol. 18, no. 3, pp. 242-253, Mar. 2010.
[20] J. Lee, B. Kang, and S. H. Kang, "Integrating independent component analysis and local outlier factor for plant-wide process monitoring," J. Process Control, vol. 21, no. 7, pp. 1011-1021, Aug. 2011.
[21] A. Norvalis, A. Negiz, J. DeCicco, and A. Cinar, "Intelligent process monitoring by interfacing knowledge-based systems and multivariate statistical monitoring," J. Process Control, vol. 10, no. 4, pp. 341-350, Aug. 2000.
[22] Y. Yang, Y. Chen, X. Chen, and X. Liu, "Multivariate industrial process monitoring based on the integration method of canonical variate analysis and independent component analysis," Chemometr. Intell. Lab., vol. 116, pp. 94-101, Jul. 2012.
[23] M. M. Breunig, H. P. Kriegel, R. T. Ng, and J. Sander, "Identifying density-based local outliers," in Proc. ACM Int. Conf. on Management of Data, SIGMOD'00, pp. 93-104, 2000.
[24] P. P. Odiowei and Y. Cao, "Nonlinear dynamic process monitoring using canonical variate analysis and kernel density estimations," IEEE Trans. on Industrial Informatics, vol. 6, no. 1, pp. 36-44, Mar. 2010.
[25] L. H. Chiang, E. L. Russell, and R. D. Braatz, Fault Detection and Diagnosis in Industrial Systems, Springer, Urbana-champaing, London, Ch. 1, pp. 103-108.
