Projektowanie odpornych układów diagnostyki w oparciu o modelowanie niepewnosci modelu

• Autorzy: Patan K.

Warianty tytułu

EN

Designing robust fault diagnosis system using model error modelling

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia proces projektowania odpornego układu diagnostyki dla reaktora krakingu katalitycznego, przy zastosowaniu sztucznych sieci neuronowych. Identyfikacja rozważanego procesu jest przeprowadzana przy użyciu rekurencyjnych sieci neuronowych. Do uzyskania właściwości odporności, niepewność otrzymanego modelu wyznaczana jest poprzez zastosowanie techniki modelowania błędu modelu. W artykule zaproponowano neuronową wersję tej metody. Przedstawione rozwiązanie zostało przetestowane na przykładzie procesu krakingu katalitycznego.

EN

The paper presents designing a robust fault diagnosis system for a catalytic cracking process using aitificial neural networks. Identification of the considered process is carried out by using recurrent neural networks. To achieve a robust fault diagnosis system, an uncertainty associated with the model is also taken into account. Neural version of the Model Error Modelling is used to deal with two main uncertainty sources: unmodelled dynamics and noise corrupting the data. The proposed approach is tested on the example of catalytic cracking converter at the nominal operation conditions as well as in the case of faults.

Słowa kluczowe

PL

detekcja uszkodzeń; sieci neuronowe; niepewność modelu; modelowanie

EN

fault detection; neural networks; model uncertainty; modelling

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2005
• Tom: R. 51, nr 9 bis
• Strony: 106--108
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wzory

Twórcy

autor

Patan K.

• Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Informatycznych

Bibliografia

• [1] Calado J. M. F., Korbicz J., Patan K., Patton R. J., Sa da Costa J. M. G., Soft computing approaches to fault diagnosis for dynamic systems. European Journal of Control. Vol. 7, 248-286.
• [2] Chen, J., Patton R. J., Robust Model-Based Fault Diagnosis for Dynamic Systems. Kluwer Academic Publishers, Berlin. 1999.
• [3] Frank P. M., Köppen-Seliger B., New developments using Al in fault diagnosis. Artificial Intelligence, Vol. 10, s. 3-14, 1997.
• [4] Gertler J., Fault Detection and Diagnosis in Engineering Systems Marcel Dekker Inc., Nowy Jork, 1999.
• [5] Isermann R., Process fault detection and diagnosis methods. Mat. IFAC Symposium SAFEPROCESS'94, Helsinki. Finland Pergamon Press, Helsinki. Finland. 1994.
• [6] Moro L. F. L., Odloak D., Constrained multivariable control of fluid catalytic cracking conveiters. Journal of Process Control, Vol. 5, s. 29-39, 1995.
• [7] Norgard M., Ravn O., Poulsen N. M., Hansen L. K., Networks for Modelling and Control of Dynamic Systems. Springer-Verlag, London, 2000.
• [8] Patan K., Korbicz J., Artificial neural networks in fault diagnosis. Fault Diagnosis. Models, Artificial Intelligence, Applications (Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (Red.)), s. 330-380 Springer-Verlag. Berlin, 2004.
• [9] Patan K., Parisini T., Identification ot neural dynamie models for fault detection and isolation: the case of a real sugar evaporation process. Journal of Process Control, Vol. 15, s. 67-79, 2005.
• [10] Reinelt W., Garulli A., Ljung L., Comparing different approaches to model error modeling in robust identification. Automatica, Vol. 38, s. 787-803, 2002.
• [11] Sotomayor O. A. Z., Odloak D., Alcorta-Garcia E., Leon-Canton P., Observer-based supervision and fault detection of a FCC unit model predictive control system. Mat. 7th Int. Symp. Dvnamic and Control of Process Systems, DYCOPS 7, Massachusetts, USA.
• [12] Tsoi A. C., Back A. D., Locally recurrent globally feedforward networks: A critical review of architectures. IEEE Trans, Neural Networks, Vol. 5, s. 229-239, 1994.

Uwagi

Praca została wykonana w ramach grantu KBN nr 4T11A01425