Artificial Neural Networks for the Modelling and Fault Diagnosis of Technical Processes

یک ویژگی جذاب همه سیستم‌های دنیای واقعی این واقعیت است که آنها در برابر خطاها، نقص‌ها و به طور کلی، حالت‌های غیرمنتظره رفتار آسیب‌پذیر هستند. این توضیح می دهد که چرا نیاز مستمر به سیستم های پایش قابل اعتماد و جهانی مبتنی بر راهبردهای تشخیص عیب مناسب و موثر وجود دارد. این امر به ویژه در مورد سیستم های مهندسی که پیچیدگی آنها به دلیل توسعه اجتناب ناپذیر صنعت مدرن و همچنین انقلاب فناوری اطلاعات و ارتباطات به طور دائم در حال افزایش است صادق است. در واقع، طراحی و بهره برداری از سیستم های مهندسی با توجه به در دسترس بودن، قابلیت اطمینان، ایمنی و تحمل خطا نیاز به توجه بیشتری دارد. بنابراین، طبیعی است که تشخیص خطا نقش اساسی در تئوری و عمل کنترل مدرن ایفا می کند. این در بسیاری از مقالات در مورد تشخیص عیب در بسیاری از مجلات و مجلات کنترل محور منعکس شده است. در واقع، از ابتدای دهه 1970 تعداد زیادی از دانش تشخیص خطا مبتنی بر مدل از طریق ادبیات علمی جمع آوری شده است. در نتیجه، طیف گسترده ای از تکنیک های تشخیص عیب توسعه یافته است. یک دسته اصلی از تکنیک‌های تشخیص عیب، روش مبتنی بر مدل است، که در آن فرض می‌شود یک مدل تحلیلی از کارخانه مورد نظارت در دسترس است.

An unappealing characteristic of all real-world systems is the fact that they are vulnerable to faults, malfunctions and, more generally, unexpected modes of - haviour. This explains why there is a continuous need for reliable and universal monitoring systems based on suitable and e?ective fault diagnosis strategies. This is especially true for engineering systems,whose complexity is permanently growing due to the inevitable development of modern industry as well as the information and communication technology revolution. Indeed, the design and operation of engineering systems require an increased attention with respect to availability, reliability, safety and fault tolerance. Thus, it is natural that fault diagnosis plays a fundamental role in modern control theory and practice. This is re?ected in plenty of papers on fault diagnosis in many control-oriented c- ferencesand journals.Indeed, a largeamount of knowledgeon model basedfault diagnosis has been accumulated through scienti?c literature since the beginning of the 1970s. As a result, a wide spectrum of fault diagnosis techniques have been developed. A major category of fault diagnosis techniques is the model based one, where an analytical model of the plant to be monitored is assumed to be available.