Диагностика нарушений в ходе технологического процесса с использованием расширенных фильтров Калмана тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Воробьев, Николай Вячеславович

• Воробьев, Николай Вячеславович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Воробьев, Николай Вячеславович

Оглавление

ВВЕДЕНИЕ

ГЛАВА 1 Обзор состояния проблемы непрерывной диагностики состояния технологических процессов

1.1 Задачи и процедуры диагностики состояния технологических процессов

1.1.1 Требования к системе диагностики

1.1.2 Последовательность диагностических операций

1.1.3 Типы нарушений

1.1.4 Место системы диагностики в иерархии АСУ

1.2 Виды диагностических моделей

1.2.1 Диагностические модели первой группы

1.2.2 Диагностические модели второй группы

1.2.3 Диагностические модели третьей группы

1.3 Диагностика нарушений в автоматизированных объектах

1.3.1 Особенности диагностики ТП в условиях современных АСУТП

1.3.2 Диагностика нарушений в объектах, охваченных обратными связями

1.4 Выводы по 1-й главе

ГЛАВА 2 Построение диагностических моделей на основе фильтра Калмана и его нелинейных модификаций

2.1 ДМ на основе классического фильтра Калмана

2.2 Нелинейные модификации фильтра Калмана

2.2.1 Расширенный фильтр Калмана (ЕЮ7)

2.2.2 Ансцентный фильтр Калмана (иКЕ)

2.3 Особенности использования фильтров в качестве диагностических моделей

2.4 Выводы по 2-й главе

ГЛАВА 3 Разработка структуры и алгоритма работы системы диагностики

3.1 Структура системы диагностики с ДМ на фильтрах Калмана

3.1.1 Реализация непрерывного мониторинга технологического процесса с использованием ДМ на базе фильтров Калмана

3.1.2 Реализация операции идентификации нарушений

3.1.3 Структурная схема системы диагностики

3.2 Алгоритм работы системы диагностики

3.2.1 Построение фильтров Калмана

3.2.2 Алгоритм работы системы диагностики

3.3 Выводы по 3-й главе

ГЛАВА 4 Экспериментальное исследование системы диагностики

4.1 Выбор объектов для экспериментального исследования

4.2 Диагностика электропневматического клапана

4.2.1 Описание модели клапана

4.2.2 Результаты исследования работы системы при наличии нарастающих нарушений в клапане

4.2.3 Результаты исследования работы системы при наличии скачкообразных нарушений клапане

4.2.4 Сравнительный анализ результатов диагностики клапанов при использовании ДМ разных типов

4.3 Диагностика процесса Tennessee Eastman

4.3.1 Описание модели процесса ТЕ

4.3.2 Результаты исследования работы системы при наличии скачкообразных нарушений на процессе ТЕ

4.3.3 Результаты исследования работы системы при наличии нарастающих нарушений на процессе ТЕ

4.4 Выводы по 4-й главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Диагностика нарушений в ходе технологического процесса с использованием расширенных фильтров Калмана»

ВВЕДЕНИЕ

Повышение технической безопасности и экологичности технологических процессов является одной из важнейших задач современного этапа развития промышленности. Острота проблемы объясняется тем, что стремление к интенсификации производства часто приводит к необходимости работы у границ допустимых безопасных зон и даже в предаварийных зонах, где, как правило, выше интенсивность и полнее степень конверсии.

В то же время обязательные в таких случаях системы защиты, ухудшают качественные и количественные (в том числе экономические) показатели процесса, т.к. их срабатывание обычно сопровождается сбросом реакционной массы, необратимым подавлением реакции и т.п. действиями, приводящими к существенным потерям.

Поэтому возникает задача обнаружения и идентификации возможных нештатных ситуаций в ходе технологических процессов на ранних стадиях их развития. Это достигается использованием системы непрерывного мониторинга и диагностики контролируемого технологического процесса, обеспечивающей раннее выявление отклонений от нормального характера протекания процесса и возможность оперативного управления им с целью ликвидации этих отклонений. Поэтому вопросам создания систем мониторинга и диагностики уделяется серьезное внимание, о чем свидетельствует, в частности, большое количество публикаций, особенно в зарубежной литературе. Это говорит о том, что проблема актуальна.

В то же время построение систем диагностики для большинства технологических процессов часто затруднено из-за того, что математические описания, даже достаточно адекватно отражающие нормальные режимы протекания процессов, малоэффективны для идентификации возможных нештатных ситуаций, вызванных теми или иными нарушениями в ходе технологического процесса.

Дополнительные трудности возникают при реализации диагностики нарушений, локализованных в контурах рециклов или систем управления. Анализ существующих работ по диагностике состояния технологических процессов в режиме реального времени показал, что большинство из них посвящены разработке систем диагностики процессов в целом и, в лучшем случае, лишь выявляют факт наличия нарушения в устройствах, охваченных обратными связями (ОС), не определяя причин, их вызвавших. Но даже та-

кое обнаружение производится с запаздыванием, когда нарушение успевает развиться до такого уровня, что ресурса регулятора или побудителя рецикла не будет хватать для поддержания регламентного режима - маскирующий эффект ОС. В то же время нарушения в контурах с ОС встречаются достаточно часто. К примеру, по данным западных фирм до 20% нарушений технологического процесса происходит из-за нарушений в работе регулирующих клапанов (по данным [1, 2, 3]), авторы сотрудники корпорации Honeywell), на 3 - 8% снижается производство нефтепродуктов, что приводит для экономики США к потерям около 20 биллионов долларов в год [4].

Цель работы

Целью работы является разработка структуры и алгоритма функционирования системы непрерывного мониторинга и диагностики технологического процесса на основе банка расширенных фильтров Калмана. Система должна обеспечивать раннее обнаружение нарушений и определение причин, их вызвавших, как при контроле линейных, так и нелинейных технологических процессов, в том числе и на участках процессов, охваченных обратными связями (рециклы, контура управления).

Задачи, решаемые в работе

Для достижения указанной цели в диссертационной работе поставлены и решены следующие задачи:

1. Обоснование выбора в качестве диагностической модели нелинейных модификаций фильтров Калмана.

2. Разработка структура и алгоритма работы системы мониторинга и диагностики с использованием банка фильтров Калмана, способной проводить раннюю диагностику нарушений и на участках контролируемого процесса, охваченных ОС.

3. Выполнение сравнительного исследования характеристик работы системы диагностики на базе различных модификаций фильтра Калмана методом имитационного моделирования.

Методы исследования

При выполнении работы были использованы методы матричного исчисления, статистического анализа, технической диагностики и имитационного моделирования.

Научная новизна

1. Разработана система диагностики, на основе нелинейных модификаций фильтров Калмана, позволяющая проводить в режиме реального времени обнаружение и идентификацию нарушений в объектах, охваченных обратными связями.

2. Разработан двухэтапный алгоритм работы системы, включающий на первом этапе обнаружение нарушения с помощью фильтра Калмана, настроенного на нормальную работу контролируемого объекта, и последующее включение набора фильтров, настроенных на возможные нарушения с использованием значений апостериорных корреляционных матриц, полученных фильтром нормальной работы на момент обнаружения нарушения, что существенно сократило время переходных процессов.

3. В результате сравнительного исследования работы разных модификаций фильтров Калмана показано, что EKF (extended Kaiman filter) модификация менее ресурсоемка, но дает менее устойчивые результаты при контроле объектов с существенными нелинейностями; UKF (unscented Kaiman filter) модификацию целесообразно использовать при существенных нелинейностях или при неявно заданных моделях объекта, но при контроле высокоразмерных объектов она требует больших вычислительных мощностей.

Практическая значимость

Разработана система диагностики, позволяющая проводить раннюю диагностику нарушений с определением причин их возникновения, в том числе в объектах, охваченных обратными связями (контуры управления, рециклы и др.), где диагностика обычными средствами затруднена из-за наличия маскирующих эффектов.

Система позволяет повысить эффективность оперативного управления сложными технологическими процессами, т.к. раннее определение причин нештатных ситуаций и

выдача рекомендаций оператору, позволяет вовремя принимать соответствующие меры, не доводя до срабатывания блокировок или систем противоаварийной защиты.

Структура и объем работы

Материал диссертационной работы сгруппирован в 4-х главах, снабжен заключением, списком литературы и приложением. Работа изложена на 95 страницах основного текста, содержит 30 рисунков, _4_ таблицы и список использованной литературы, включающий 81 наименования.

ГЛАВА 1 Обзор состояния проблемы непрерывной диагностики состояния технологических процессов

1.1 Задачи и процедуры диагностики состояния технологических процессов 1.1.1 Требования к системе диагностики

Основной задачей системы диагностики состояния технологического процесса (ТП) является выявление отклонений его от регламентного режима и определение причин, их вызвавших. Эти отклонения обычно называют нарушениями или нештатными ситуациями. Под нарушением в ходе ТП или нештатной ситуацией будем понимать ситуацию (состояние процесса), при которой технологический процесс или состояние оборудования выходит за рамки нормального функционирования и может привести к аварии. Такая трактовка термина принята в технической диагностике и при оценке опасности ТП (см., например, [5]).

Чтобы выявить нештатную ситуацию на ТП и определить причину ее возникновения, система диагностики должна выполнять следующие задачи [6, 7, 8].

1. Вести непрерывный мониторинг состояния процесса, особенно, в контурах обеспечения технической и экологической безопасности и, в идеале, на двух уровнях управления: уровне управления технологическим процессом и уровне организационного управления предприятием. При этом под мониторингом традиционно будем понимать процесс наблюдения и регистрации данных, о каком либо объекте на неразрывно примыкающих друг к другу интервалах времени, в течение которых значения данных существенно не изменяются.

2. Прогнозировать опасные ситуации на основе данных о текущем состоянии процесса и внешней среды и выдавать рекомендации по их предотвращению.

3. Выполнять обнаружение возникающих нарушений (нештатных ситуаций) на ранних стадиях.

4. Проводить локализацию нарушения - определение места его возникновения;

5. Осуществлять идентификацию нарушений - определения причин возникновения нештатных ситуаций, оценку опасности и прогноз развития.

6. Выдачу рекомендаций по выходу из этих ситуаций и ликвидации их последствий. Указанные рекомендации должны включать оповещение соответствующих должностных лиц с целью привлечения дополнительных сил и/или формирование сценариев действий по предотвращению развития опасных ситуаций и ликвидации их последствий.

7. Проводить накопление статистических данных по нештатным и, особенно, опасным ситуациям с целью получения знаний для решения задач их прогнозирования, диагностики причин, формирования сценариев действий по их предотвращению.

8. Осуществлять поддержку принятия управленческих решений по обеспечению безопасности при наличии логических и функциональных взаимосвязей между их составными частями и ограничений на ресурсы, которыми располагает система.

9. Для того чтобы система могла выполнять свои функции, ей необходимо знать связи между наблюдаемыми параметрами (преобразованными в диагностические показатели - симптомы) и причинами, вызвавшими нештатную ситуацию. Эти связи определяются особым классом моделей - диагностическими моделями (ДМ). Их основное отличие от обычных моделей состоит в том, что они описывают анормальные состояния процесса, нештатные и, естественно, нежелательные ситуации, в которые попадает процесс, а потому используются в системах мониторинга и диагностики.

1.1.2 Последовательность диагностических операций

Для удовлетворения перечисленным требованиям система диагностики должна выполнять целый ряд диагностических операций (рисунок 1.1). Основными из них являются операции обнаружения, локализации и идентификации нештатных ситуаций процесса.

Рисунок 1.1- Процедуры, выполняемые системами диагностики

Система должна начинать работу в зоне между регламентными границами контролируемой переменной и ее аварийными пределами. Для этого устанавливается, так называемый, эксплуатационный порог между регламентными и аварийными значениями переменных (рисунок 1.2), до которого процесс считается еще нормальным, но превышение, которого является поводом для беспокойства, хотя процесс еще и находится в допустимом режиме. Система диагностики должна в этой (эксплуатационной) зоне обнаружить возможную нештатную ситуацию и присвоить некоей статусной переменной 8 значение 8=1.

я СЗ Рабочий диапазон системы диагностики : я Л

Зона ответствен- к к Зона ответствен-

ности к и К О Зона ответственности Норма регламентный режим Зона ответствен- | ности | X к О ности

Предаварийная Эксплуатационная Регламентная Эксплуатационная ; Предаварийная

Рисунок 1.2 - Зона ответственности системы диагностики

Из определения мониторинга (см. п. 1.1.1) следует, что для его осуществления непосредственно должны использоваться выборки текущих значений переменных или параметров, поступающие с контролируемого ТП. Т. е. мониторинг ведется в статистическом смысле и можно говорить о достоверности его результатов с какой-то долей вероятности. Фактически речь идет о проверке гипотезы Н0 о нормальном состоянии объекта против альтернативной гипотезы Hi о наличии на объекте какой-то нештатной ситуации (нарушения).

Т.к. любой технологический процесс сопровождается различного рода шумовыми вариациями, то при мониторинге, естественно, возможны ошибочные результаты. Выделяют два вида таких ошибок:

Ошибки 1-го рода. Отклонение нулевой гипотезы Н0, когда она истинна, что приводит к ложным тревогам. Вероятность этого события обычно обозначается через а.

Ошибки 2-го рода. Принятие нулевой гипотезы Н0, когда она ложна, т.е. когда на процессе возникла нештатная ситуация (нарушение) - пропуск нарушения. Вероятность пропуска р определяет вероятность правильной работы системы мониторинга: Рпр=1-(3.

Таким образом, основное назначение процедуры проверки гипотез при мониторинге - проверка близости параметров контролируемого объекта их регламентным значениям.

При этом можно выделить два типа мониторинга [9, 10], различающихся в основном целевым объектом. При мониторинге качества готового продукта (SQC) предполагается, что оно достигается при гарантии правильности функционирования контролируемого процесса, получаемой в результате его мониторинга. Считается, что плохое качество продукта является следствием отклонений хода процесса от регламента. Т.е. при мониторинге в этом случае акцент делается на конечный продукт и вариации его характеристик качества.

Мониторинг состояния технологического процесса (SPC) направлен на применение статистических методов для контроля параметров самого процесса и сфокусирован на выявлении отклонений в его протекании.

Собственно контрольные карты и были разработаны для проведения мониторинга. Именно второй вариант его проведения будет использоваться в данной работе.

После обнаружения факта возникновения нештатной ситуации система диагностики должна приступить к определению места ее возникновения (локализации) и причин, ее вызвавших (идентификация нештатной ситуации).

В любом случае после обнаружения целесообразно провести локализацию нарушения. Если контролируемый процесс достаточно сложный, характеризуется десятками переменных, то для облегчения локализации нарушения целесообразно провести декомпозицию процесса. Это позволяет выделить более простые структурные единицы, что упрощает построение модели. При этом основным требованием при выделении таких структурных единиц является обеспечение максимальной их автономности.

Декомпозицию можно проводить, используя различные подходы для выделения структурных единиц:

• Функциональный подход - выделение достаточно независимых друг от друга структур (участков, групп, единиц оборудования), выполняющих определенные функции, независимо от их топологии и времени функционирования.

• Территориальный (структурный) подход - выделение участков процесса по их расположению в пространстве с учетом топологии и структурной организации процесса.

• Временной подход - целесообразен для периодических технологических процессов. Для непрерывных процессов также можно использовать временной принцип в случае, когда в них применяется резервирование или изменение комбинации работающего оборудования в зависимости от нагрузки.

Для достижения эффективности декомпозиции ее целесообразно производить, применяя комбинированный подход. В результате такой многоэтапной декомпозиции выявляется многоуровневая структура объекта, которая и используется при построении ДМ и вводит иерархичность в структуру ДМ.

1.1.3 Типы нарушений

Система диагностики встречается с тремя видами нештатных ситуаций, отличающихся местом возникновения нарушений на контролируемом объекте: нарушениями в ходе собственно контролируемого процесса; нарушения (отказы) датчиков и измерительной аппаратуры; отказы регулирующей аппаратуры.

При этом важно отметить "аддитивные" и "мультипликативные" нарушения, о которых уже упоминалось выше. Вторые особенно неприятны, т.к. искажают ДМ и потому их труднее идентифицировать, более того, проявляясь как изменение параметров модели, они могут нарушить в процессе развития линейность даже априорно линейного контролируемого объекта.

Кроме того, нарушения могут существенно отличаться по характеру возникновения. Они могут быть внезапными (жесткими) и постепенно развивающимися (мягкими). Жесткие нарушения обычно сразу приводят к резкому изменению режима функционирования процесса, аппарата и т.п., поэтому заметны и в большинстве случаев легко обнаруживаемы. В то же время мягкие нарушения, особенно медленно развивающиеся, обычно обнаруживаются слишком поздно.

1.1.4 Место системы диагностики в иерархии АСУ

Фактически системы диагностики включаются в состав автоматизированных систем оперативного управления (АСОДУ). Системы АСОДУ в отечественной классификации относят к АСУП, в зарубежной классификации - они являются частью МЕБ-систем. Структурная схема АСОДУ фирмы Jocogava, считающаяся эталонной, приведена на рисунке 1.3.

ИНФОРМАЦИОННО-УПРАВЛЯЮЩАЯ СИСТЕМА

Средства Интерфейс с системой верхнего уровня

обеспечения информапи энной интеграции Планировщик задач Сервер данных 1 1 Управление производства 1 оборудованием Управление производством

Средства развитого управления Оптимизация Стабилизация Идентификация

Обеспечение функцноннро вання

Управление качеством

Анализ и управление свойствами

продуктов

Управление обобщает нем

» Мониторинг

¿н диагностик^ ____

ф

Центр уярааяекяя производством на основе ОСБ

Управление тревогами Тренажеры

>

•^Ч Управление безопасностью

СОУ

Системы про-

#

ЭСАОА-система

Лаборатория

Распределенная система управления производством

ПРОИЗВОДСТВЕННЫЕ ПРОЦЕССЫ

Спецнали-

зированые

системы

* Система упрэ»ления транспортом продуктов

- й »

2, я г-

т м

Я п С

III

5 в

£ % »

II

§ 5

Приел, перевозка, хранение

Рисунок 1.3 - Пример структурной схемы АСОДУ (фирма Jocogava [11])

Функционально АСОДУ существенно различаются, включая функции оперативного и диспетчерского характера и некоторые функции планового характера [12]. Прежде всего, на систему возлагаются функции координации работы отдельных установок или участков процесса с целью приведения хода производства в заданный нормальный режим, компенсации возмущений, сказывающихся на работе производства, улучшения технико-экономических показателей производства. Именно на этом этапе необходима помощь системы мониторинга и диагностики.

Т.к. обычно при выходе процесса в предаварийные зоны срабатывают сигнализации сразу по нескольким параметрам, то быстро определить причину и принять правильное решение достаточно сложно. Однако, в большинстве случаев такая важная функция, как диагностика состояния процесса, выявление причин возникших нарушений выполняются оператором, что называется вручную. При этом действия по устранению нарушений определяются опытом оператора и плохо документированы.

Именно снижение влияния человеческого фактора на управление процессом в нештатных ситуациях и управление в предаварийной области, обеспечиваемое системой непрерывного мониторинга и диагностики является одной из важнейших функций современных АСОДУ [13]. Это позволяет обеспечить помощь оператору, ведущему процесс, в сложных ситуациях, связанных с диагностикой нарушений и их компенсацией, путем выдачи ему советов и рекомендаций, основанных на знаниях и опыте экспертов, хорошо знающих данный процесс [12].

1.2 Виды диагностических моделей

Традиционно ДМ разделяют на три больших класса (рисунок 1.4) [7, 14].

Это ДМ, учитывающие качественные или количественные соотношения, назовем их для простоты качественными и количественными моделями, соответственно, и ДМ, построенные на основе массивов зарегистрированных значений переменных процесса во время его протекания.

ДИАГНОСТИЧЕСКИЕ МОДЕЛИ

НА ОСНОВЕ КАЧЕСТВЕННЫХ СООТНОШЕНИЙ

НА ОСНОВЕ КОЛИЧЕСТВЕННЫХ СООТНОШЕНИЙ

На базе причинно-следственных связей

НА ОСНОВЕ ДАННЫХ ПРОЦЕССА

Математические модели

Экспертные системы

Количественные

Наблюдатели

Анализ трендов

НСГ

На базе построения иерархий

Нейронные сети

Статистические модели: обнаружение по МГК, регрессионные модели

Рисунок 1.4 - Классификация диагностических моделей

1.2.1 Диагностические модели первой группы

ДМ на основе качественных соотношений учитывают выходы переменных процесса за границы нормальных состояний. Для реализации системы диагностики на базе качественных моделей не требуется использование сложных вычислительных алгоритмов и операций. Поэтому исторически сложилось так, что качественные модели стали использоваться раньше остальных.

ДМ на основе качественных соотношений делятся на 2 обширные группы: модели на базе причинно следственных связей и модели, построенные на декомпозиции контролируемого ТП. При этом декомпозиция может выполняться по структурному и функциональному признакам [7]. В первом случае выделяются структурные подсистемы в контролируемом объекте, основываясь на их связях между собой в структуре объекта. Такой подход эффективен в системах, где есть четкая эквивалентность между структурой и функциями отдельных частей системы, например, в электронике.

Функциональная декомпозиция учитывает отношения между подсистемами и позволяет установить иерархию отношений между выделяемыми подсистемами в сложных объектах, какими часто являются ТП в химической промышленности, где функциональность подсистем невозможно отразить в терминах структуры. Получаемая "функ-

циональная" иерархия позволяет проследить сверху-вниз возникновение нештатной ситуации и, таким образом, установить ее причину.

К моделям первой группы относятся также: граф причинно-следственных связей (ГПСС), направленно-сигнальный граф (НСГ) и дерево отказов.

ГПСС обычно устанавливает связи между нарушениями (отказами) и их симптомами и часто служит наглядным представлением ДМ, построенной по иерархии на основе проведенной функциональной или структурной декомпозиции контролируемого объекта. Широко используется в табличной форме в приборостроении, а также в разделах поиска причин нарушений в регламентных документах для операторов, ведущих ТП. Как правило, это достаточно простые нарушения, имеющие 1-3 характерных и легко определяемых симптома.

Очень похоже на ГПСС дерево отказов - граф, также связывающий нарушения с их симптомами, широко ранее использовавшийся при оценке рисков и анализе надежности систем.

НСГ представляет траектории причинно-следственных связей на ТП. Вершины графа соответствуют переменным состояния или началу нарушений, а его ветви - причинно-следственным связям между вершинами. Подход, основанный на НСГ, является логико-ориентированным и требует знания только причинно-следственных зависимостей между переменными ТП. При использовании НСГ можно получить сценарий развития нарушения, это достигается за счет наличия вида связи для каждой дуги ("+" или "-"), т.е. дуги графа имеют знак и, таким образом, позволяют на качественном уровне проследить возможные распространения нарушений по контролируемому объекту [15]. При этом НСГ может быть построен, как на основе математической модели поведения объекта, так и на основе результатов анализа процесса. Метод очень полезен для верификации экспертной информации при построении экспертных диагностических систем [16].

Следует также отметить использование НСГ для диагностики ТП с распределенными системами управления [17]. Диагностика проводится в режиме off-line и определяет факт нарушения в системе управления, дифференцируя его только до уровня дат-чик-контроллер-актюатор.

Достоинством всех методов на основе графов является наглядность. Переменные, используемые в графе, могут быть ненаблюдаемы. Однако граф строится в режиме off-

line, на основе булевой логики, что усложняет возможность описания частичных отказов или ситуаций одновременного развития множественных нарушений [18]. Также следует отметить сложность использования графа для больших объектов, когда количество элементов графа резко возрастает. Иногда это связано с попыткой увеличить детализацию объекта. Один из таких примеров - учет отказов датчиков. В этом случае необходимо добавить дуги связывающие переменные с узлом рассматриваемого датчика, а значит расширить граф.

Хотя большинство "качественных" моделей не используют количественную информацию и не удобны для работы в режиме реального времени, они могут применяться как дополнительное средство для построения систем диагностики, так как они хорошо подходят для анализа поведения объекта и +прослеживания развития различных нарушений. Для увеличения сферы применения таких моделей, в последнее время и ведутся исследования по введению количественной информации [19].

Примеры использования НСГ для диагностики технологических процессов приведены в работах: [20] - на примере диагностики Tennessee Eastman process; [21] - для диагностики процесса плавки; [22] - для диагностики опреснительных установок). Кроме того, НСГ используются для анализа поведения объекта и возможных нарушений на нем при построении ДМ других групп, например, при построении экспертной ДМ для диагностики нарушений на атомной станции [23] и обычно все это проводится в режиме off-line.

1.2.2 Диагностические модели второй группы

"Количественные" ДМ (рисунок 1.1) могут быть представлены детерминированными моделями ТП и различными фильтрами (в западной терминологии - наблюдателями, observers), позволяющими оценить переменные процесса. Диагностика с помощью количественных моделей основана на формировании и анализе невязок s. Невязки - это разности между значениями переменных процесса, полученными с датчиков, и оценками этих переменных, вычисленных по модели этого процесса или с помощью соответствующего фильтра.

Если поведение процесса эквивалентно модели, то невязки будут иметь нулевое значение. Но на практике все сложнее. Измеренные значения переменных процесса,

Список литературы диссертационного исследования кандидат наук Воробьев, Николай Вячеславович, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Desborough, L.D. Increasing customer value of industrial control performance monitoring - honeywell's experience / L.D. Desborough, R.M. Miller // Proc. 6th Int. Conf. on Chemical Process Control (CPC VI), Arizona, USA, 2001. - P. 172-192.

2. Ulaganathan, N. Blind Identification of Stiction in Nonlinear Process Control Loops / N. Ulaganathan, R. Rengaswamy // 2008 American Control Conference - Seattle, June 11-13,2008. -P.3380-3385.

3. Srinivasan, R. Approaches for efficient stiction compensation in process control valves / R. Srinivasan, R. Rengaswamy // Computers and Chemical Engineering. - 2008. - V.32. - P.218-229.

4. Wang, H. Data Driven Fault Diagnosis and Fault Tolerant Control: Some Advances and Possible New Directions / H. Wang, Tian-You CHAI, Jin-Liang DING, M.BROWN // Acta automatica sinica. - 2009. - V.35. - P.739-748

5. Хуснияров M.X., Попов В.Ф., Руднев H.A. «Взрывоопасность установок нефтепереработки» - Уфа, изд. УГПТУ, 2002. - 124с.

6. Dash, S. Challenges in the industrial applications of fault diagnostic systems / S. Dash, V. Venkatasubramanian // Computers and Chemical Engineering. - 2000. - 24 (2). -P.785-791

7. Venkatasubramanian, V. A review of process fault detection and diagnosis. Part I-III /V. Venkatasubramanian, R. Rengaswamy, K. Yin, S.N. Kavuri // Computers and Chemical Engineering. - 2003. - V.27. - P.293-311

8. Plade, V. Computational Intelligence in Fault Diagnosis / V. Palade, C.D. Bocaniala, L. Jain (Eds) - London: Springer-Verlag Lmt, 2006. - 374pp.

9. EOCT P 50779.42-99 (ИСО 8258-91) Статистические методы. Контрольные карты Шухарта - М.: Изд. стандартов, 1999. - 36с.

10. Фомин, В.Н. Квалиметрия. Управление качеством. Сертификация. /В.Н. Фомин -М.:Изд. "ЭКМОС", 2000. - 320с.

11. Еершберг, А.Ф. Концептуальные основы информационной АСУ ТП нефтеперерабатывающего предприятия / А.Ф. Еершберг, А.А. Нозик, А.А. Мусаев, Ю.М. Шерстюк // СПб: Альянс-строй, 2002. - 128с.

12. Ицкович, Э.Л. Оперативное управление непрерывным производством: задачи, методы, модели / Э.Л. Ицкович, Л.Р. Соркин - М.: Наука, 1988. - 160с.

13. Oliver-Maget, N. Model-based fault diagnosis for hybrid systems: Application on chemical processes / N. Olivier-Maget, G. Hetreuxa, J.M. Le Lanna, et al. // Computers and Chemical Engineering. - 2009. - V.33 - P. 1617-1630.

14. Uraikul, V. Artificial intelligence for monitoring and supervisory control of process systems / V. Uraikul, Chr. W. Chan, P. Tontiwachwuthikul // Engineering Applications of Artificial Intelligence. - 2007. - V.20. P. 115-131.

15. Tarifa, E. Fault diagnosis, directed graphs, and fuzzy logic / E. Tarifa, N. Scenna // Computers and Chemical Engineering. - 1997. - V.21. - P.649-654.

16. Русинов, Л.А. Повышение безопасности процесса получения пероксида водорода на основе диагностики его текущего состояния / Л.А. Русинов, Н.А. Александрова, П.В. Рашковский, Е.М. Кравченко // Химическая промышленность сегодня. - 2003. - N4. - С.45-50.

17. Chen, J.A self-validating control system based approach to plant fault detection and diagnosis / J. Chen, J. Howell // Computers and Chem. Engng. - 2001. -V.25. - P. 337-358

18. Vedam, H. Signed Digraph Based Multiple Fault Diagnosis /Н. Vedam, V. Venka-tasubramanian // Computers and chem. Engng. - 1997. - V. 21, Suppl. - P.655-660.

19. Han, C.C. Quantifying signed directed graphs with the fuzzy set for fault diagnosis resolution improvement / C-C. Han, R-F. Shih, L-S. Lee // Industrial and Engineering Chemical Research. - 1994. - V.33. P.1943-1954.

20. Maurya, M.R. A signed directed graph and qualitative trend analysis-based framework for incipient fault diagnosis / M.R. Maurya, R. Rengaswamy, V. Venkatasubramanian // Trans IChemE, Part A. - 2007. - V.85 (A10) - P. 1407-1422.

21. Zhang, Z. SDG multiple fault diagnosis by real-time inverse inference / Z. Zhang, Ch. Wu, B. Zhang, etc.//Reliability Engineering and System Safety.-2005.-V.87.-P. 173-189.

22. Ahna, S. J. Fault diagnosis of the multi-stage flash desalination process based on signed digraph and dynamic partial least square / S.J. Ahna, Ch.J. Lee, Yu. Jung, etc. // Desalination. - 2008. - V. 228. - P.68-83.

23. Kim, I.S. An integrated on-line diagnostic system for the NORS Process of Halden reactor project: the design concept and lessons learned / I.S. Kim // J. Korean Nuclear Soc - 2000. - V.32. - N3. - P.261-273.

24.

25.

26.

27.

28.

29.

30.

31.

32,

33

34

35

36

Isermann, R. Model-based fault-detection and diagnosis - status and applications / R. Isermann // Annual Reviews in Control. - 2005. - V.29. - P. 71-85. Fagarasan, I. Applications of Fault Detection Methods to Industrial Processes / I. Fa-garasan, S.St. Iliescu // WSEAS transactions on systems. - 2008. - Issue 6, V.7, - P.812-821.

Sobhani, E. Fault Diagnosis of Nonlinear Systems Using a Hybrid Approach /Е. Sob-

hani-Tehrani, K. Khorasani // Darmstadt: Springer. - 2009. - P.21-51

Kordic, V. Kalman Filter / V.Kordic (ed.) - Crotia: Intech, 2010. - 400pp.

Zhang, Y. Bibliographical review on reconfígurable fault-tolerant control systems / Y.

Zhang, J. Jiang // Annual Reviews in Control. - 2008. - V.32. - P.229-252.

Zhong-Sheng, H. Notes on Data-driven System Approaches / Hou Zhong-Sheng, Xu

Jian-Xin // Acta Automatica Sinica. - 2009. - V.35(6): P.668-675.

Мешалкин, В.П. Экспертные системы в химической технологии. Основы теории,

опыт разработки и применение / В.П. Мешалкин - М.: Химия, 1995. - 368с.

Nan, С. Real-time fault diagnosis using knowledge-based expert system / C. Nan, F.

Khan, M.T. Iqbal // Process safety and environmental protection.-2008. - V.86 - P.55-71

Ganjdanesh, Y. Fuzzy Fault Detection and Diagnosis under Severely Noisy Conditions

using Feature-based Approaches / Y. Ganjdanesh, Y. S. Manjili, M. Vafaei, etc. // 2008

American Control Conference - Seattle, June 11-13, 2008. - P.3319-3325.

Maestri, M. A robust clustering method for detection of abnormal situations in a process

with multiple steady-state operation modes/ M. Maestri, A. Farall, P. Groismanb, et al.

// Computers and Chemical Engineering - 2010. - V.10 - P.223-231.

Gabbar, H.A. Design of intelligent fault diagnostic system (FDS) / H. A. Gabbar// Trans

IChemE, Part B, Process Safety and Environmental Protection. - 2007. - V.85(B6). -

P.566-578.

Baile, P. Closed-loop fault diagnosis based on a nonlinear process model and automatic fuzzy rule generation / P. Baile, D. Fuessel // Engineering Applications of Artificial Intelligence. - 2000. - V.13 - P.695-704.

Mendonca, L.F. An architecture for fault detection and isolation based on fuzzy methods / L.F. Mendonca, J.M.C. Sousa, J.M.G. Costa // Expert Systems with Applications. -2009.-V. 36 - P.1092-1104.

37. Химмелблау, Д. Обнаружение и диагностика неполадок в химических и нефтехимических процессах / Д. Химмельблау - Л.: Химия, 1983. 352с.

38. Эсбенсен, К. Анализ многомерных данных / К. Эсбенсен - Черноголовка: Изд-во ГЕОХИРАН, 2005 - 158с.

39. Rusinov, L.A. Real time diagnostics of technological processes and field equipment / L.A. Rusinov, I.V. Rudakova, V.V. Kurkina // Chemometrics and intelligent laboratory systems. - 2007. - V.88. N1. - P. 18-25.

40. Zhao, J. On-line early fault detection and diagnosis of municipal solid waste incinerators / J. Zhao, J. Huang, W. Sun // Waste Management. - 2008. V.28. - P.2406-2414.

41. Choi, S.W. Fault detection and identification of nonlinear processes based on kernel PCA / S.W. Choi, Ch. Leeb, J-M. Leeb, J.H. Parke, I-B. Lee // Chemometrics and Intelligent Laboratory Systems - 2005. - V.75. - P. 55-67.

42. Lee, J. Nonlinear process monitoring using kernel principal component analysis. / J. Lee, Ch.Y. Yoo, S.W. Choi, P.A. Vanrolleghem, In-B. Lee. // Chemical Engineering Science. - 2004. - V.59. - P.223-234.

43. Rusinov, L.A. Fault diagnosis in chemical processes with application of hierarchical neural networks / L.A. Rusinov, I.V. Rudakova, O.A. Remizova, V.V. Kurkina // Chemometrics and Intelligent Laboratory Systems. - 2009. - V.97. - P.98-103.

44. Kampjarvi, P. Fault detection and isolation of an on-line analyzer for an ethylene cracking process / P. Kampjarvi, M. Souranderb, T. Komulainenc, etc.// Control Engineering Practice. - 2008. - V.16. - P.l-13.

45. Alessandri, A. Fault diagnosis for nonlinear systems using a bank of neural estimators / A. Alessandri // Computers in Industry. - 2003. - V.52 - P.271-289.

46. Karpenko, N. Diagnosis of process valve actuator faults using a multilayer neural network / M. Karpenkoa, N. Sepehria, D. Scuse // Control Engineering Practice. - 2003. -V.ll - P.1289-1299.

47. Villez, K. Kalman-based strategies for Fault Detection and Identification (FDI): Extensions and critical evaluation for a buffer tank system / K. Villez, B. Srinivasan, R. Rengaswamyb, et al. // Computers and Chemical Engineering. - 2011 - V.35 - P.806-816.

48. Caccavale, F. An integrated approach to fault diagnosis for a class of chemical batch processes / F. Caccavale, F. Pierri, M. Iamarino, V. Tufano // Journal of Process Control. - 2009. - V.19 - P.827-841.

49. Sotomayor, O.A.Z. Observer-based fault diagnosis in chemical plants / O.A.Z. So-tomayor, D. Odloak // Chemical Engineering Journal. - 2005. - V.l 12 - P.93-108.

50. Manuja, S. Unknown input modeling and robust fault diagnosis using black box observers / S. Manuja, S. Narasimhan, S.C. Patwardhan // Journal of Process Control. - 2009. -V.19 - P.25-37.

51. Fragkoulis, D. Detection, isolation and identification of multiple actuator and sensor faults in nonlinear dynamic systems: Application to a waste water treatment process / D. Fragkoulis, G. Roux, B. Dahhou // Applied Mathematical Modeling. - 2011. - V.35. -P.522-543.

52. Puig, V. Passive robust fault detection using interval observers: Application to the DAMADICS benchmark problem / V. Puig, A. Stancu, T. Escobet, etc. // Control Engineering Practice. - 2006. - V.4 - P.621-633.

53. Chitralekha, S.B. Detection and quantification of valve stiction by the method of unknown input estimation / S.B. Chitralekha, S.L. Shah, J. Prakash //Journal of Process Control. - 2010. - V.20 - P.206-216.

54. Zhang, X. Design and analysis of a fault isolation scheme for a class of uncertain nonlinear systems / X. Zhang, M. M. Polycarpou, T. Parisini // Annual Reviews in Control. -2008. - V.32-P.107-121.

55. Lemos, A. Adaptive fault detection and diagnosis using an evolving fuzzy classifier /A. Lemos et al. // Information Science. - 2011. - P.64-85.

56. McGhee, J. Neural networks applied for the identification and fault diagnosis of process valves and actuators. / J.Mc. Ghee, I.A. Henderson, A. Baird. // Measurement: Journal of the International Measurement Confederation. - 1997. -V.20 - N4. - P.267-275.

57. Sharif, M. A. The development of novel control valve diagnostic software based on the visual basic programming language. / M.A. Sharif, R.I. Grosvenor. // Journal of Systems and Control Engineering. - 2000. - .V.214. - N2. - P.99-127.

58. Mrugalski, M. Confidence estimation of the multi-layer perceptron and its application in , fault detection systems / M. Mrugalski, M. Witczak, J. Korbicz // Engineering Applications of Artificial Intelligence. - 2008. - V.21 - P.895-906.

59. Witczak, M. A GMDH neural network-based approach to robust fault diagnosis: Application to the DAMADICS benchmark problem / M. Witczaka, J. Korbicza, M. Mru-galskia, R.J. Patton // Control Engineering Practice. - 2006. - V.14 - P.671-683.

60. Calado, J.M.F. FDI approach to the DAMADICS benchmark problem based on qualitative reasoning coupled with fuzzy neural networks / J.M.F. Calado, J.M.G. Sa' da Costa, M. Bartys, J. Korbicz // Control Engineering Practice. - 2006. - V.14 - P.685-698.

61. Downs, J.J. A plant-wide industrial process problem control / J.J. Downs, E.F. Vogel // Computers and Chemical Engineering. - 1993. - V.17, N.3. - P.245-255.

62. Cruz, A.M.S. Tennessee Eastman Plant-wide Industrial Process. Challenge Problem. Simplified Model / A.M.S. Cruz - Technical University of Denmark, DK-2800 Lyngby, Denmark, 2004. - 12p.

63. Huang, Y. Sensor and actuator fault isolation by structured partial PCA with nonlinear extensions / Y. Huanga, J. Gertler, T. McAvoy // Journal of Process Control. - 2000. -V.10 - P.459-469.

64. Gertler, J. PCA-Based Fault Diagnosis in the Presence of Control and Dynamics / J. Gertler, J. Cao // AIChE Journal, February 2004. - V.50, No. 2 - P. 1-16.

65. Li, Gang Total PLS Based Contribution Plots for Fault Diagnosis / G.LI, Si-Zhao QIN, Yin-Dong JI Dong-Hua ZHOU // Acta automatica sinica. - 2009. - V. 35. No. 6 - P.759-766.

66. Капо, M. Comparison of statistical process monitoring methods: application to the Tennessee Eastman challenge problem / M. Капо, K. Nagao, S. Hasebe, etc. // Computers and Chemical Engineering. - 2000. - V.24 - P.175-181.

67. Капо, M. A new multivariate statistical process monitoring method using principal component analysis / M. Kano, S. Hasebe, I. Hashimoto, H. Ohno. // Computers and Chemical Engineering. - 2001. - V.25 - P.l 103-1113.

68. Singhal, A. Evaluation of a pattern matching method for the Tennessee Eastman challenge process / A. Singhal, D.E. Seborg // Journal of Process Control. - 2006. - V.16 -P.601-613.

69. Eslamloueyan, R. Designing a hierarchical neural network based on fuzzy clustering for fault diagnosis of the Tennessee Eastman process. / R. Eslamloueyan // Applied Soft Computing. - 2011. - V.ll - P. 1407-1415.

70. Синицын, И.Н. Фильтры Калмана и Пугачева. М.: Логос, 2006. 640с.

71. Фомин, В.Н. Рекуррентное оценивание и адаптивная фильтрация / М.: Наука, главная редакция физико-математической литературы, 1984. - 288с.

72. Ford, J.J. Non-linear and Robust Filtering: From the Kalman Filter to the Particle Filter / J.J. Ford - DSTO-TR-1301 - Victoria: Aeronautical and Maritime Research Laboratory, 2002. - 49pp.

73. Grewal, M.S. Kalman filtering: theory and practice using Matlab / M.S. Grewal, A.P. Andrews - N.Y.: John Willey & Sons, 2001. - 397pp.

74. Reif, K. Stochastic Stability of the Discrete-Time Extended Kalman Filter / K. Reif, S. Gunther, E. Yaz, R. Unbehauen // IEEE Trans, on Automatic Control. - 1999. - V. 44 -N4. - P.714-728.

75. Julier, S.J. Unscented Filtering and Nonlinear Estimation. / S.J. Julier, J.K. Uhlmann // Proceedings of the IEEE. - 2004. 92(3). - 401-422p.

76. Lenz, H.J. Frontiers in Statistical Quality Control 8 / Hans-J. Lenz, Peter-T. Wilrich // Physica-Verlag. - 2006. - P.351.

77. Segava, T. Identification of Fault Situations by Using Historical Data Sets / T. Segawa, M. Капо, H. Ohno, S. Hasebe, I. Hashimoto // Proc. of Int. Symp.on Design Operation and Control of Next Generation Chemical Plants, (PSE Asia 2000), 6-8 Dec. 2000, Kyoto, Japan, 2000. - P.345-350.

78. Puig, V. Observer gain effect in linear interval observer-based fault detection / J. Me-seguer, V. Puig, T. Escobet, J. Saludes // Journal of Process Control. - 2010. - V.20 -P.944-956.

79. Puig, V. A GMDH neural network-based approach to passive robust fault detection using a constraint satisfaction backward test / V. Puig, M. Witczak, F. Nejjari, J. Quevedo, J. Korbicz // Engineering Applications of Artificial Intelligence. - 2007. - V.20 - P.886-897.

80. Russell, E.L. Fault detection in industrial processes using canonical variate analysis and dynamic principal component analysis / Evan L. Russell, Leo H. Chiang, Richard D. Braatz // Chemometrics and Intelligent Laboratory Systems. - 2000.- V.51 - P.81-93.

81. Gang, L. Total PLS Based Contribution Plots for Fault Diagnosis / LI Gang, QIN Si-Zhao, Л Yin-Dong, ZHOU Dong-Hua // ACTA AUTOMATICA SINICA. - 2009. -V.35, No. 6 - P.759-765.