Data-Driven Fault Detection for Industrial Processes: Canonical Correlation Analysis and Projection Based Methods

Zhiwen Chen با هدف توسعه روش‌های پیشرفته تشخیص خطا (FD) برای نظارت بر فرآیندهای صنعتی است. با افزایش تقاضا در مورد قابلیت اطمینان و ایمنی در فرآیندهای صنعتی، تشخیص عیب به یک موضوع مهم تبدیل شده است. اگرچه تئوری تشخیص خطا مبتنی بر مدل در دهه‌های گذشته به خوبی مورد مطالعه قرار گرفته است، کاربردهای آن به فرآیندهای صنعتی در مقیاس بزرگ محدود می‌شود زیرا ساخت مدل‌های دقیق دشوار است. علاوه بر این، با انگیزه محدودیت‌های روش‌های FD مبتنی بر داده‌های موجود، تجزیه و تحلیل همبستگی متعارف جدید (CCA) و روش‌های مبتنی بر پیش‌بینی از دیدگاه داده‌های ورودی و خروجی فرآیند، تلاش مهندسی کمتر و دامنه کاربرد گسترده پیشنهاد شده‌اند. برای ارزیابی عملکرد روش‌های FD، شاخص جدیدی نیز ایجاد شده است.

Zhiwen Chen aims to develop advanced fault detection (FD) methods for the monitoring of industrial processes. With the ever increasing demands on reliability and safety in industrial processes, fault detection has become an important issue. Although the model-based fault detection theory has been well studied in the past decades, its applications are limited to large-scale industrial processes because it is difficult to build accurate models. Furthermore, motivated by the limitations of existing data-driven FD methods, novel canonical correlation analysis (CCA) and projection-based methods are proposed from the perspectives of process input and output data, less engineering effort and wide application scope. For performance evaluation of FD methods, a new index is also developed.