Data-Driven Design of Fault Diagnosis Systems: Nonlinear Multimode Processes

در بسیاری از کاربردهای صنعتی تشخیص زودهنگام و تشخیص رفتار غیرعادی گیاه از اهمیت بالایی برخوردار است. در طول دهه‌های گذشته، پیچیدگی کارخانه‌های فرآیند به شدت افزایش یافته است، که چالش‌های بزرگی را در توسعه رویکردهای نظارت بر مدل‌محور تحمیل می‌کند و گاهی اوقات برای فرآیندهای مدرن در مقیاس بزرگ غیرواقعی می‌شود. هدف اصلی عادل حقانی آبندان ساری بررسی تکنیک های تشخیص عیب کارآمد برای سیستم های پیچیده صنعتی با استفاده از داده های تاریخی فرآیند و در نظر گرفتن رفتار غیرخطی فرآیند است. برای این منظور، روش های مختلفی برای حل مشکل تشخیص عیب بر اساس رفتار کلی فرآیند و پویایی آن ارائه شده است. علاوه بر این، یک تکنیک جدید برای جداسازی خطا و تعیین علت اصلی خطاها در سیستم، بر اساس تأثیرات خطا بر روی اندازه‌گیری‌های فرآیند، پیشنهاد شده است.

In many industrial applications early detection and diagnosis of abnormal behavior of the plant is of great importance. During the last decades, the complexity of process plants has been drastically increased, which imposes great challenges in development of model-based monitoring approaches and it sometimes becomes unrealistic for modern large-scale processes. The main objective of Adel Haghani Abandan Sari is to study efficient fault diagnosis techniques for complex industrial systems using process historical data and considering the nonlinear behavior of the process. To this end, different methods are presented to solve the fault diagnosis problem based on the overall behavior of the process and its dynamics. Moreover, a novel technique is proposed for fault isolation and determination of the root-cause of the faults in the system, based on the fault impacts on the process measurements.