عنوان پایان‌نامه
طراحی کنترل کننده پیش بین تحمل پذیر در مقابل عیوب برای پروسه های صنعتی با استفاده از تکنیکهای ترکیب داده شبکه های سنسوری
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 39648;کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1503
- تاریخ دفاع
- ۰۳ شهریور ۱۳۸۷
- دانشجو
- سهیل نظری
- چکیده
- در این پایان نامه هدف طراحی یک کنترل کننده¬ی مقاوم در برابر بروز خطا درعملکرد سیستم های صنعتی می باشد. بدین منظور نیازمند روشی برای شناسایی خطاهای بوجود آمده در سیستم می باشیم، که نه تنها بروز خطا را شناسایی نماید بلکه نوع آنرا نیز تشخیص دهد. در این راستا چیدمان شبکه حسگرها و بهینه بودن آن برای قابلیت تشخیص تمامی خطاهای احتمالی در سیستم حائز اهمیت است. از آنجا که مسئله¬ی طراحی یک شبکه سنسوری کار آمد نیازمند شناسایی قسمت های مهم و تاثیر گذار در یک فرایند در قالب ارائه¬ی یک نقشه¬ی علت و معلولی مربوط به آن فرایند است، معیاری کمی بر مبنای روش آنتروپی انتقالی برای اندازه¬گیری میزان تاثیر سیگنال¬ها بر یکدیگر مطرح گردید. با استفاده از این معیار، می توان مهمترین و تاثیر گذارترین حسگرها برای یک برج تقطیر را شناسایی نمود. همچنین استفاده از این معیار بر روی فرایند CSTR مطابقت کامل با نقشه¬ی علت معلولی موجود را نشان می دهد. در ادامه با استفاده از الگوریتم بازگشتی EM، تخمینی از توزیع احتمالی سیگنال¬های خروجی از شبکه حسگر های سیستم بدست آورده که با استفاده از این توزیع می توان وقوع خطا را در سیستم تشخیص داد. پس از آن با استفاده از تبدیل موجک (wavelet) به صورت دینامیکی نویز های موجود بر روی باقیمانده ها را کاهش داده تا با استفاده از ترکیب دسته بندها بتوان نوع خطای بوجود آمده در سیستم را بهتر شناسایی نمود. در این راستا جداولی از درصد تشخیص درست خطا توسط این الگوریتم برای فرایند CSTR ارائه شده است. در پایان نیز از این الگوریتم تشخیص خطا در طراحی یک کنترل کننده¬ی غیر خطی پیشگو (NMPC) برای سیستم CSTR استفاده شده است. درنهایت، با ارائه راهکارهای کنترلی از طریق تغییر پارامتر های این کنترل کننده در هنگام بروز خطا نشان داده شدها ست که سیاستی کنترلی هرچند ساده ولی کارآمد برای مقابله با خطای احتمالی بوجود آمده می توان ارائه نمود.
- Abstract
- In this thesis the main goal is to design and simulate a fault tolerant MPC for industrial applications. In this way, it is necessary to design a fault detection and diagnosis system, for not only detecting the occurrence of the fault but also classifying it. In order to achieve this goal, an optimal sensor network should be accommodated to enable efficient observation of the process faults. Therefore, finding the most influential and important nodes in a plant is essential for designing such a useful and efficient sensor network. For this purpose, a complete cause and effect map needs to be determined for the process. Due to this importance, a quantitative method based on "Transfer Entropy" is introduced for measuring the amount of influence between two signals. Using this method, it is possible to find the most important and influential nodes in a distillation column benchmark known as "column A". The capability of this approach has been verified with and already developed cause and effect map for CSTR process. Then, a recursive EM algorithm has been utilized to estimate the probability distribution of signals from the sensor network, based upon some finite mixed Gaussian PDFs. Using these estimated PDFs, the occurrence of a fault in the process can be detected. In order to de-noise the residuals calculated in the previous step, a dynamic wavelet filter has been developed to cancel out the effect of measurement noise in the high frequencies. Then, a classifier fusion method based on the majority voting, has been used in order to classify the faults from each other. Some tables concerning the correct detection rates of the proposed method implemented on a simulated CSTR process have been presented. At the end, the proposed fault detection and isolation (FDI) algorithm is incorporated in designing a fault tolerant NMPC to control the CSTR plant. In order to reconfigure the controller in the occurrence of the fault, some simple and efficient control strategies have been proposed. The performances of control strategies have been demonstrated.
