عنوان پایان‌نامه
طراحی سیستم کنترل تحمل پذیر فعال عیب با استفاده از ترکیب طبقه بندها
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3199;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 81355;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3199;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 81355
- تاریخ دفاع
- ۰۶ بهمن ۱۳۹۵
- دانشجو
- متین معصومیان
- چکیده
- تشخیص عیب در فرآیند های صنعتی جز فعالیت های چالش برانگیز در حوزه ی سیستم های کنترل می باشد. چالش برانگیز بودن فعالیت بخش تشخیص عیب ناشی از شرایطی است که بخش تصمیم گیری سیستم کنترل فرآیند، تقاضای تشخیص به موقع و موثر عیب را از بخش تشخیص عیب تحت شرایط سختی مانند اندازه گیری های نویزی، داده های بسیار مرتبط به هم، تعداد بالای ورودی ها و واکنش های متقابل و پیچیده بین علائم و عیب ها، داشته باشد. در این پایان‌نامه تشخیص و شناسایی عیب در یک ساختار تحمل‌پذیر فعال عیب برای سامانه‌ی تنسی ایستمن هدف‌گذاری شده است. سامانه‌ی تنسی ایستمن به واسطه‌ی گستردگی ابعاد، ناپایداری در حالت حلقه باز و هم‌چنین چند نرخی بودن، از سامانه‌های چالش برانگیز در حوزه کنترل فرآیند محسوب می‌شود. در این پایان‌نامه جهت آشکارسازی و تشخیص عیب، داده‌های پردازش نشده، ویژگی‌های زمانی و ویژگی‌های فرکانسی داده ها در افرازهای مختلف و به صورت جداگانه با استفاده از شبکه‌های عصبی، طبقه‌بندی شده و سپس با ترکیب نتایج بدست آمده توسط یک شبکه‌ی عصبی دیگر، بهبود قابل ملاحظه‌ای در کیفیت طبقه‌بندی، آشکارسازی و تشخیص عیب ارائه می‌شود. در ادامه، ساختار آشکارسازی و تشخیص عیب به همراه یک رویکرد کنترل تحمل‌پذیر فعال عیب که مبتنی بر تنظیم کنترل‌کننده‌های محلی در صورت وقوع هر عیب بوده، مورد ارزیابی قرار می‌گیرد، که نتایج بدست آمده بر کارایی روش پیشنهادی تاکید می‌کند.
- Abstract
- Fault isolation in industrial processes is a challenging problem in control systems field. Much of this problem stems from the conditions in which the process control system unit requires the prompt and effective isolation of faults from fault isolation unit under circumstances such as noisy measurements, data with high correlations, large number of inputs and reciprocal and complex interactions between faults and signs. In this dissertation, fault detection and isolation is performed in an active fault tolerant structure for Tennessee Eastman benchmark process. The aforementioned system is deemed challenging due to the high dimensionality, open-loop instability and multi-rate sampling. In this thesis, for detection and isolation of faults, the raw data and time and frequency features are individually classified by means of neural networks and subsequently the results are fused using another neural network. The outcome demonstrates significant improvements in classification quality and also detection and isolation of faults. Furthermore, the structure of FDI along with an active fault tolerant control approach which is based on tuning local controllers in face of any type of faults is evaluated. The results emphasize the effectiveness of the proposed method. Key Words : Classifier, Classifier Fusion, Fault Detection and Isolation, Fault Tolerant Control System and Tennessee Eastman Process
