Fault Detection and Diagnosis in Industrial Systems

تشخیص و تشخیص زودهنگام و دقیق عیب برای کارخانه‌های شیمیایی مدرن می‌تواند زمان خرابی را به حداقل برساند، ایمنی عملیات کارخانه را افزایش دهد و هزینه‌های تولید را کاهش دهد. تکنیک‌های پایش فرآیند که در عمل بسیار مؤثر بوده‌اند، مبتنی بر مدل‌هایی هستند که تقریباً به طور کامل از داده‌های فرآیند ساخته شده‌اند.
هدف کتاب ارائه پیش‌زمینه نظری و تکنیک‌های عملی برای نظارت بر فرآیند مبتنی بر داده است. تکنیک‌های نظارت بر فرآیند ارائه شده عبارتند از: روش‌های مبتنی بر داده - تجزیه و تحلیل مؤلفه‌های اصلی، تجزیه و تحلیل تفکیک‌کننده فیشر، حداقل مربعات جزئی و تجزیه و تحلیل متغیر متعارف. روش‌های تحلیلی - تخمین پارامتر، روش‌های مبتنی بر مشاهده‌گر و روابط برابری. روش‌های مبتنی بر دانش - تحلیل علّی، سیستم‌های خبره و تشخیص الگو.
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 تکالیفی که در آنها دانش آموزان تکنیک های نظارت بر فرآیند را برای یک فرآیند شبیه سازی شده غیر پیش پا افتاده اعمال می کنند 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 می کند تا تکنیک ها را اجرا کند و درک عمیق تری از آنها به دست آورد. خواننده پیشینه ای در زمینه تکنیک های مبتنی بر داده برای تشخیص و تشخیص عیب، از جمله توانایی پیاده سازی تکنیک ها و دانستن نحوه انتخاب تکنیک مناسب برای یک برنامه خاص به دست خواهد آورد.

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: Data-driven methods - principal component analysis, Fisher discriminant analysis, partial least squares and canonical variate analysis; Analytical Methods - parameter estimation, observer-based methods and parity relations; Knowledge-based methods - causal analysis, expert systems and pattern recognition.
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 non-trivial 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.