Porównanie cząstkowych modeli parametrycznych w zadaniu detekcji uszkodzeń sieci gazowej

• Autorzy: Syfert M. , Jankowska A. , Łabęda-Grudziak Z. , Tabor Ł.

Warianty tytułu

EN

Comparison of particular parametric models for faults detection in gas pipeline

• Języki publikacji: PL

Abstrakty

PL

Zreferowano badania detekcji uszkodzeń gazociągu z użyciem cząstkowych modeli parametrycznych. Stosując trzy metody modelowania: addytywne modele regresyjne (najnowszą z badanych technik), sztuczne sieci neuronowe oraz układy rozmyte typu TSK opracowano aproksymacje ciśnień w węzłach sieci. Modele testowano w zadaniu detekcji wycieku oraz uszkodzenia czujnika pomiarowego. Wszystkie modele zapewniały dużą dokładność aproksymacji ciśnienia w poprawnych stanach pracy, wykazując także bardzo skuteczną detekcję uszkodzeń czujników pomiarowych ciśnień, natomiast w sytuacji symulowanych wycieków ich przydatność w detekcji była znacznie mniejsza.

EN

The results of faults detection [1, 2, 3, 4, 5] in a gas system network (Fig. 1) with use of parametric partial models [6, 7, 8] are presented in the paper. This is a new approach to the task with use of exploratory data analysis [10, 11, 17] and partial models. Three techniques were used to build models of pressure in network nodes: additive regression (ADD - new method of modelling [10, 11, 12, 13, 14, 15]), artificial neural networks (ANN) [16, 17, 18] and TSK fuzzy logic modelling [8, 16, 17]. The measured pressures in adjacent nodes as well cumulative flows in the main line (from global analytical model [9]) of gasoline were the inputs of the models. For the analysed stations (in parts A and B marked in Fig. 1) a set of test failures in the form of leaks and damage of pressure sensors is given in Tab. 1.Using trial and error method, by evaluating the effectiveness of fault detection, there were obtained structures of models of different complexity for individual modelling techniques: ADD - presented by equations (1) and (2), ANN- (3) and (4), TSK- (5) and (6). The model order is not greater than 2. The exemplary results of leak detection with use of particular models are shown in Figs. 3, 5, 7 and of sensor fault detection in Figs. 4, 6, 8. In the conclusions there is summarised the relative accuracy of models (in Table 2), the relative normalized values of the studied residues of leaks - Tab.3 and the pressure sensor failures - Tab. 4. All models provided highly precise pressure approximation in non-fault states, but TSK and ADD models turned out to be the more accurate. Additionally, all of them were effective in case of pressure sensor fault detection, however, in case of simulated leakages their usefulness was much lower.

Słowa kluczowe

PL

detekcja uszkodzeń; modele cząstkowe; modele parametryczne; addytywne modele regresyjne; sztuczne sieci neuronowe; systemy rozmyte

EN

faults detection; particular models; parametric models; additive regression models; artificial neural networks; fuzzy systems

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2012
• Tom: R. 58, nr 1
• Strony: 3--8
• Opis fizyczny: Bibliogr. 18 poz., rys., tab., wzory

Twórcy

autor

Syfert M.

autor

Jankowska A.

autor

Łabęda-Grudziak Z.

autor

Tabor Ł.

• Instytut Automatyki i Robotyki Politechniki Warszawskiej, ul. Św. A. Boboli 8, pok 255, 02-525 Warszawa,

Bibliografia

• [1] Bilman L. Isermann R.: Leak detections methods for pipelines, Automatica, vol. 23, no. 3, s. 381-385, 1987.
• [2] Verde C.: Multi-leak detection and isolation in fluid pipelines, Control Engineering Practice, vol. 9, 2001.
• [3] Hauge E., Aamo O. M., Godhavn J. -M.: Model based pipeline monitoring with leak detection, SPE Projects, Facilities & Construction, vol. 4, No. 3, 2009.
• [4] Sobczak R., Turkowski M., Bratek, A., Słowikowski M., Bogucki A.: Metody i systemy detekcji nieszczelności rurociągów dalekosiężnych, Pomiary Automatyka Robotyka, 4/2007.
• [5] Turkowski M., Bratek A., Słowikowski M., Bogucki A.: Postępy i problemy realizacji systemów detekcji i lokalizacji rurociągów, Pomiary Automatyka Robotyka, R. 13, 2009.
• [6] Kościelny, J. M.: Diagnostyka zautomatyzowanych procesów przemysłowych, Akadem. Oficyna Wyd. EXIT, Warszawa, 2001.
• [7] Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (red): Diagnostyka procesów. Modele, metody sztucznej inteligencji, zastosowania, (1-828), WNT, Warszawa, 2002.
• [8] Korbicz J., Kościelny J. M. (red): Modelowanie, diagnostyka, i sterowanie nadrzędne procesami. Implementacja w systemie DiaSter. WNT, (1-443), Warszawa, 2009.
• [9] Stachura M. i Syfert M.: Model sieci gazowej w systemie monitorowania i diagnostyki AMandD. Pomiary Automatyka Robotyka PAR, str. 110-115, nr 11/2010.
• [10] Larose D. T.: Discovering Knowledge in Data: An Introduction to DATA MINING, Wiley, 2005.
• [11] Hastie T. i Tibshirani R.: Generalized additive models, Chapman and Hall, 1990.
• [12] Łabęda-Grudziak Z. M.: Identyfikacja i symulacja rozkładu ciśnienia w sieciach gazowych z wykorzystaniem addytywnego modelu regresji. Pomiary Automatyka Robotyka PAR, nr 11/2010, str. 60-64, 2010.
• [13] Łabęda-Grudziak Z. M.: Smoothing parameters selection in the additive regression models approach for the fault detection scheme. Pomiary Automatyka Kontrola PAK, nr 2/2011, str. 197-200, 2011.
• [14] Łabęda-Grudziak Z. M.: Identification of dynamic system additive models by KDD methods. Pomiary Automatyka Kontrola PAK, nr 3/2011, str. 249-252, 2011.
• [15] Good P. I.: Introduction to statistics through reasampling methods and R/S-PLUS, Wiley, 2005.
• [16] Osowski, S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wyd. PW, Warszawa, 2006.
• [17] Rutkowski, L.: Metody i techniki sztucznej inteligencji, PWN, Warszawa, 2005.
• [18] STATISTICA Neural Netwoks PL, Przewodnik problemowy, StatSoft, Polska Sp. z o. o., Kraków, 2004.