Zur Seitenansicht
 

Titelaufnahme

Titel
Residual-based fault detection and isolation : when data mining and soft computing overtake the lack of expert knowledge / eingereicht von: Francisco Serdio Fernández
VerfasserSerdio Fernández, Francisco
Begutachter / BegutachterinKlement, Erich Peter ; Orchard Concha, Marcos Eduardo
Betreuer / BetreuerinKlement, Erich Peter ; Orchard Concha, Marcos Eduardo
Erschienen2015
UmfangXXV, 142 S. : graph. Darst.
HochschulschriftLinz, Univ., Diss., 2015
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)Residuenraum / Fehlerdetektion / Fehlerisolierung / Data Mining / Soft Computing
Schlagwörter (EN)residual space / fault detection / fault isolation / data mining / soft computing
Schlagwörter (GND)Residuenanalyse / Fehlererkennung / Fehlerortung / Data Mining / Soft Computing
URNurn:nbn:at:at-ubl:1-1863 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist gemäß den "Hinweisen für BenützerInnen" verfügbar
Dateien
Residual-based fault detection and isolation [24.3 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

This PhD Thesis is dedicated to the development of a fault detection and isolation system, intended to be widely applied to any industrial system from where we do not have any expert knowledge available but recorded data, i.e., we are provided with the history of the industrial process coming from the sensors and actuators placed all along the industrial system facilities. Based on the available history of the process, data mining and soft computing techniques are used to extract knowledge of the process. Thus, a set of potential running models are identified, which once trained offline are the departure point to provide a set of residual generators for the process to monitor. By this set of residual generators, the research develops techniques to provide fault detection for the process, and after it also fault isolation. The methodology developed, the methods explored, and the algorithms created were tested on two real-world scenarios, so results for them are provided. The research was done under the assumptions that neither expert knowledge nor general information of the process is available, so all the experimentation was done under the umbrella of a black-box approach.

The PhD Thesis is organized as follows:

Chapter 1 introduces the problem and the restrictions we are coping with, whereas Chapter 2 describes the state-of-the-art of the problem, showing techniques which already exist, pointing out why some are not suitable for our problem due to our restrictions.

Chapter 3 provides an overall overview of the methodology developed. Its main strength is to establish the framework for the whole research, as it explains how to preprocess the data, how to identify the residual generators using data mining and soft computing techniques, how to train the models offline and how to test them online (by using artificial faults) to check their fault detection and fault isolation capabilities.

Chapter 4 and Chapter 5 focus on the different model architectures explored. The former explains three model architectures which are applied directly as residual generators, the later explains several extensions which are to be combined with the former model architectures, thus creating new model architectures as result of the combinations.

Chapter 6 develops fault detection. It explains the basis about the residual space, introduces two measures of uncertainty applied to the residuals during the research and introduces the technique used to provide fault detection based on the residual space.

Chapter 7 develops fault isolation. Its core introduces new tools to evaluate the fault isolation capabilities of a method, and develops a fault isolation technique in two parts: analyze the partial derivatives of the residual generators and make a decision about the variable responsible for the fault indicator. It concludes analyzing the complexity of the fault isolation problem.

Chapter 8 provides the results of the research. The chapter is divided in the results for fault detection and the result for fault isolation.

Both are provided with a statistical analysis of the quantitative results, in order to establish preferences among the model architectures tested.

Chapter 9 and Chapter 10 conclude the PhD Thesis by adding conclusions and eliciting pending issues/future lines of research.

Zusammenfassung (Englisch)

Diese Doktorarbeit befasst sich mit der Entwickelung eines Fehlerdetektions- und -isolierungssystems, welches in jeder Industrieanlage anwendbar sein soll, für die kein Expertenwissen, sondern nur die Messdaten verfügbar sind. Dies bedeutet, dass die gesamte Betriebsanlage mit Sensoren und Aktuatoren ausgestattet ist, über die historische Prozessdaten aufgezeichnet werden. Basierend auf den vorhandenen historischen Daten wird mit Hilfe von Data-Mining- und Soft-Computing-Methoden das Prozesswissen extrahiert. Dabei wird eine Familie von potenziell gültigen Modellen identifiziert, welche nach Offlinetraining einen Ausgangspunkt bieten, um Residualgeneratoren für die Überwachung des Prozesses zu bestimmen.

Ausgehend von den Residuengeneratoren werden Techniken entwickelt, die die Detektion und die darauf basierende Isolation potenzieller Prozessfehler ermöglichen. Die entwickelte Methodologie, die erforschten Methoden und die erzeugten Algorithmen wurden an zwei realen Szenarien getestet, entsprechende Ergebnisse wurden dokumentiert. Die Untersuchung fand unter der Annahme statt, dass keine Prozessinformationen vorhanden sind, sodass die Anwendungen im Rahmen einer Black-Box-Methode ausgewertet wurden.

Diese Doktorarbeit ist folgendermaßen aufgebaut:

Kapitel 1 beschreibt die Problemstellung und die einschränkenden Voraussetzungen.

Kapitel 2 enthält den aktuellen Forschungsstand zu dem benannten Problem, wobei vorhandene Techniken unter dem Gesichtspunkt untersucht werden, wann sie unter den gegebenen Bedingungen nicht anwendbar sind.

Im Kapitel 3 wird ein allgemeiner Überblick über die entwickelte Methodik gegeben. Ihre Hauptstärke besteht darin, eine Grundstruktur für die gesamte Arbeit zu bieten, welche aufzeigt wie die Daten vorverarbeitet, die Residuengeneratoren anhand von Data-Mining- und Soft-Computing-Methoden gebildet, die Modelle offline trainiert und online getestet werden. Dabei werden die Fehler künstlich herbeigeführt, um die tatsächliche Fehlerdetektions- und -isolationsfähigkeit der Methode zu eruieren.

Kapitel 4 und Kapitel 5 konzentrieren sich auf Untersuchung verschiedener Modellarchitekturen. Im Kapitel 4 werden drei Modellarchitekturen vorgestellt, die direkt als Residuengeneratoren angewandt werden können. Im Kapitel 5 betrachtet man Erweiterungen der bereits vorgestellten Modellarchitekturen, die, mit den ursprünglichen kombiniert, neue Modellvarianten entstehen lassen.

Im Kapitel 6 werden Fehlerdetektionsmethoden entwickelt. Es werden die Grundlagen des Residuenraums vorgestellt, zwei Unsicherheitsmaße für die Behandlung der Residuen diskutiert und die Durchführung der Fehlerdetektion auf Basis des Residuenraums erklärt.

Kapitel 7 behandelt das Thema der Fehlerisolation. Im Wesentlichen wird ein neues Werkzeug entwickelt, um die Isolationsfähigkeit der vorgestellten Methode zu messen. Die vorgestellte Fehlerisolationsmethode besteht aus zwei Teilen: In erster Linie werden die partiellen Ableitungen der Residuengeneratoren analysiert, um anschließend, basierend auf dieser Information, eine Entscheidung über die Fehlerursache zu treffen. Das Kapitel schließt ab mit der Komplexitätsanalyse der Fehlerisolationsmethode.

Kapitel 8 fasst die Ergebnisse dieser Forschungsarbeit zusammen. Das Kapitel wird entsprechend der Ergebnisse der Fehlerdetektion und -isolation unterteilt. Beide Teile enthalten eine statistische Analyse der quantitativen Ergebnisse, um signifikante Präferenzen der getesteten Modellarchitekturen zu bestimmen.

Kapitel 9 und Kapitel 10 schließen die Doktorarbeit ab, indem sie eine Zusammenfassung des behandelten Problems und die aufgedeckten offenen Fragen bzw. zukünftige Forschungsvorhaben präsentieren.