عنوان پایان‌نامه
مانیتورینگ وضعیت کاری فرآیندهای صنعتی با استفاده از تکنیک های خوشه بندی مبتنی بر نظریه ترکیب اطلاعات
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1556;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 40991;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1556
- تاریخ دفاع
- ۱۳ اسفند ۱۳۸۷
- دانشجو
- سهیل بهرام پور
- چکیده
- روش‌های ردیابی و تشخیص خطا در فرآیندهای صنعتی در سال‌های اخیر بسیار مورد مطالعه قرار گرفته‌اند. اما بیشتر روش‌های موجود مبتنی بر داده، روش‌های طبقه‌بندی بانظارت می‌باشند که توانایی تشخیص خطاهایی را که به تازگی اتفاق می‌افتند و اطلاعات آنها در داده‌های مربوط به گذشته‌ی فرآیند موجود نیست را ندارند. روش MGG که یک روش طبقه‌بندی بدون نظارت (خوشه‌بندی) برای بخش‌بندی کردن سری زمانی می‌باشد، به تازگی برای کاربردهای مانیتورینگ پیشنهاد شده است. اما همانطور که در این تحقیق نشان داده خواهد شد، این الگوریتم توانایی حل مساله‌ی تشخیص خطا را در فرآیندهای با تعداد متغیرهای نسبتاً زیاد را ندارد. در این پایان‌نامه با استفاده از روش‌های کاهش بعد به عنوان پیش‌پردازش‌کننده، سعی در غنی‌تر کردن مجموعه‌ی داده، کاهش بعد آنها و در نهایت بهبود عملکرد الگوریتم MGG در تشخیص خطا خواهد شد. روش مانیتورینگ توزیع‌شده نیز در ادامه‌ی روش‌های کاهش بعد معرفی می‌شود که در ارتقای کیفیت پاسخ‌ها مفید می‌باشد. روش دیگری که در این تحقیق برای حل مشکل ابعاد بالا پیشنهاد می‌گردد، استفاده از وزن‌دهی متغیرها می‌باشد که سبب بهبود کیفیت مانیتورینگ می‌شود. به همین منظور یک الگوریتم خوشه‌بندی جدید معرفی می‌گردد که وزن‌های متفاوتی را برای ویژگی‌های خوشه‌های مختلف طی یک فرآیند بهینه‌سازی بدست می‌آورد. همچنین برای تعیین تعداد خطاهای موجود در یک مجموعه‌ی داده از روش‌های شباهت‌سنجی خوشه‌ها و یکی‌کردن آنها استفاده می‌شود. بدین منظور، شباهت خوشه‌های مختلف از طریق ترکیب اطلاعات بدست‌آمده از دو معیار شباهت‌سنجی متفاوت بدست می‌آید. این دو معیار شامل شباهت‌سنجی مدل‌های اجزای اصلی خوشه‌ها و بررسی میزان نزدیکی مراکز آنها می‌باشد. در نهایت روش‌های مطرح شده، برای ردیابی و تشخیص خطاهای فرآیند صنعتی Tennessee Eastman و عملگر‌های DAMADICS به کار برده شده و قابلیت‌های آنها نشان داده خواهد شد.
- Abstract
- In this thesis, a new clustering algorithm is proposed for process fault detection and diagnosis (FDI) applications on the basis of a weighted and constrained fuzzy C-means approach to be utilized in offline and online manners for both already known and novel faults. The algorithm incorporates simultaneous clustering and local attribute weighting for time-series segmentation. This allows different weights to be allocated to different features responsible for the distinguished process faults which is an essential characteristic for proper FDI operations. The proposed algorithm presents a bottom-up scheme for automatic determination of the fault cluster numbers in which clusters can be merged during the time-series segmentation procedure. The cluster merging is coordinated by a compatibility criterion which utilizes both the similarity of the principal component (PC) model of the clusters and the closeness of the cluster centers. A new weighted fuzzy covariance matrix is introduced to obtain the PC models of the clusters. In this way, optimized weights, corresponding to the attribute relevancies, are contributed in the PC model derivation for each cluster. A new formula is then proposed for measuring the similarity of the PC models of clusters. The conventional Euclidean distance measure, which is used for evaluating the closeness of the cluster centers, has been improved by incorporating the feature weights to highlight the influence of the features with higher relevance. A set of comparative studies have been carried out on the Tennessee Eastman industrial challenge problem and the DAMADICS actuator benchmark to demonstrate the superiority of the proposed algorithm in process FDI applications with respect to some other alternative approaches.
