Subspace based data-driven designs of fault detection systems

The thesis focuses on advanced methods of fault detection and diagnosis suitable for application in large-scale processes. The theory of fault diagnosis mainly comprises development of mathematical models for observing critical changes in the process under consideration. The so-called residual signal is used for the purpose of detecting abnormal events and diagnosing their nature. For large-scale processes, it is difficult to build their models mathematically. Therefore, very often historical data from regular sensor measurements, event-logs and records are used to directly identify relationship between plant's input and output. On these lines, the thesis presents a data-driven design of fault detection systems which reduces the computation burden by identifying only the key components and not the entire process model itself. The novel design method is also studied within the context of parameter varying systems. Since many processes undergo temporary fluctuation of their crucial parameters, which can not be ruled out as faults, the fault detection system must be able to adapt to these changes. This is realized in the thesis with two efficient algorithms, which are based on recursive identification techniques. The theoretical contribution in this thesis also revolves around improvising the novel data-drive design of fault detection systems. In other words, the identification procedure is optimized by reformulating it as “closed-loop” identification or identification of Kalman filter. Also, the algorithm is numerically optimized by using QR based decomposition technique. The thesis also presents application results of different algorithms derived in this work. As benchmarks, the Tennessee Eastman chemical plant and the continuously stirred tank heater are considered. The novel algorithms are compared with the existing popular techniques from the literature.

Die Arbeit konzentriert sich auf fortgeschrittene Methoden zur Fehlererkennung und Diagnose für den Einsatz in Mehrgrößen Systemen. Üblicherweise umfasst die Fehlerdiagnose Entwicklung von mathematischen Modellen zur Beobachtung der Veränderungen in den ursprünglichen Prozessen. Dabei wird ein so genanntes Residuensignal zur von Fehlern benutzt, welches im Fehlerfall einen Ausschlag zeigt. Für Mehrgrößen Systeme, ist es im Allgemeinen schwierig, mathematische Modelle zu erstellen, die mathematisch abgeleitet werden können. Deshalb werden Daten aus dem Prozess, z.B. aus regelmäßigen Messungen, Event-Logs oder Records verwendet, um Beziehungen zwischen Prozess-Eingang und Ausgang abzubilden. Davon ausgehend werden in der vorliegenden Arbeit Verfahren entwickelt um ein Datenbasiertes Fehlererkennungssystem zu generieren, welches ohne Modelidentifikation arbeitet. In dieser Arbeit wird das Problem der Datenbasierten Fehlererkennung weiter im Rahmen der so genannten Parameter Varianten Systeme untersucht. Da viele Prozesse vorübergehenden Parameterschwankungen unterliegen, die nicht als Fehler ausgeschlossen werden können, muss das Fehlererkennung System in der Lage sein, die Veränderungen zu adaptieren. Ein solches lernendes Fehlererkennungssystem ist hier an Hand von zwei effizienten Algorithmen und mit rekursiver Identifikation realisiert. Der Beitrag in dieser Arbeit ist auch ein modifiziertes, optimales Subraum Identifikation basiertes Entwurf. Darüber hinaus wird das Identifikationsverfahren auf die Hauptkomponenten beschränkt und das ursprüngliche Problem wird für die optimale Parameterschätzung als „Closed-Loop“ Identifikation oder Identifikation des Kalman Filters umformuliert. Die gesamte Konstruktion ist numerisch über eine QR Zerlegung numerisch optimiert. Die Arbeit stellt auch Ergebnisse der Applikation verschiedener Algorithmen vor. Als Versuchstand wurden das Tennessee Eastman Prozess und eine kontinuierlich gerührte Tankheizung verwendet. Die Algorithmen dieser Arbeit werden mit dem ursprünglichen und anderen Identifikationsverfahren verglichen.

Vorschau

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten