Data-driven Methods for Fault Detection and Diagnosis in Chemical Processes

تشخیص و تشخیص زودهنگام و دقیق خطا برای کارخانه‌های شیمیایی مدرن می‌تواند زمان خرابی را به حداقل برساند، ایمنی عملیات کارخانه را افزایش دهد و هزینه‌های تولید را کاهش دهد. تکنیک‌های نظارت بر فرآیند که در عمل مؤثرتر بوده‌اند، مبتنی بر مدل‌هایی هستند که تقریباً به طور کامل از داده‌های فرآیند ساخته شده‌اند. هدف کتاب ارائه پیشینه نظری و تکنیک های عملی پایش فرآیند مبتنی بر داده است. تکنیک های نظارت بر فرآیند ارائه شده عبارتند از: تجزیه و تحلیل اجزای اصلی. تجزیه و تحلیل تشخیصی فیشر. حداقل مربعات جزئی؛ تجزیه و تحلیل متغیر متعارف.
متن کاربرد تمامی تکنیک‌های نظارت بر فرآیند مبتنی بر داده را در شبیه‌ساز کارخانه تنسی ایستمن نشان می‌دهد - نقاط قوت و ضعف هر رویکرد را با جزئیات نشان می‌دهد. این به خواننده در انتخاب روش مناسب برای کاربرد فرآیند خود کمک می کند. شبیه ساز گیاهی و مشکلات تکلیف خانه که در آن دانش آموزان تکنیک های نظارت بر فرآیند را برای یک فرآیند شبیه سازی شده بی اهمیت به کار می برند و می توانند عملکرد خود را با آنچه در مطالعات موردی در متن به دست آمده مقایسه کنند، گنجانده شده است. تعدادی از مشکلات تکالیف اضافی، خواننده را تشویق می‌کند تا تکنیک‌ها را پیاده‌سازی کند و درک عمیق‌تری از آن‌ها به دست آورد.
خواننده پیش‌زمینه‌ای در تکنیک‌های مبتنی بر داده برای تشخیص و تشخیص عیب، از جمله توانایی اجرای تکنیک‌ها و دانستن آن‌ها، به دست خواهد آورد. نحوه انتخاب تکنیک مناسب برای یک برنامه خاص.

Early and accurate fault detection and diagnosis for modern chemical plants can minimise downtime, increase the safety of plant operations, and reduce manufacturing costs. The process-monitoring techniques that have been most effective in practice are based on models constructed almost entirely from process data. The goal of the book is to present the theoretical background and practical techniques for data-driven process monitoring. Process-monitoring techniques presented include: Principal component analysis; Fisher discriminant analysis; Partial least squares; Canonical variate analysis.
The text demonstrates the application of all of the data-driven process monitoring techniques to the Tennessee Eastman plant simulator - demonstrating the strengths and weaknesses of each approach in detail. This aids the reader in selecting the right method for his process application. Plant simulator and homework problems in which students apply the process-monitoring techniques to a nontrivial simulated process, and can compare their performance with that obtained in the case studies in the text are included. A number of additional homework problems encourage the reader to implement and obtain a deeper understanding of the techniques.
The reader will obtain a background in data-driven techniques for fault detection and diagnosis, including the ability to implement the techniques and to know how to select the right technique for a particular application.