هوش مصنوعی برای کنترل نظارت و بازبینی سیستم های فرآیند
چکیده
پروسه های پیچیده شامل متغیرهای فرایند، و اپراتورها در مواجهه با وظایف نظارت، کنترل، و تشخیص فرآیندها، اغلب نظارت موثر بر پردازش داده ها، تجزیه و تحلیل وضعیت های فعلی، شناسایی و تشخیص ناهنجاری های فرایند، و یا اقدامات لازم برای کنترل فرآیندها را بسیار دشوار یافته اند. پیچیدگی می تواند با گرایش ها و یا رویدادهای اصولی کنترل پذیر فراهم شده ، و براساس داده های عملیاتی تسلیم شود.( Rengaswamy و Venkatasubramanian، ۱۹۹۲- چارچوب مجتمع برای نظارت بر فرایند، تشخیص و کنترل با استفاده از سیستم های مبتنی بر دانش و شبکه های عصبی، IFA، Delaware، USA،صفحات ۴۹-۵۴). برای حمایت از اپراتورهای واحدصنعتی ، سیستم های پشتیبانی تصمیم گیری که فن آوری هوش مصنوعی (AI) و غیر هوش مصنوعی را ترکیب میکنند برای وظایف نظارت، کنترل، و تشخیص به تصویب رسیده اند. سیستم های پشتیبانی را می توان بر اساس رویکرد تحلیلی، داده محور و مبتنی بر دانش (Chiang و همکاران، ۲۰۰۱٫ شناسایی و تشخیص خطا در سیستم های صنعتی. Springer ، لندن، بریتانیا) پیاده سازی کرد.
این مقاله یک بررسی نوشتاری روی سیستم های هوشمند برای نظارت، کنترل و تشخیص سیستم های فرآیند ارائه میکند. هدف از این بررسی ابتدا، معرفی رویکردهای داده محور، تحلیلی و روشهای مبتنی بر دانش برای توسعه راه حل های پشتیبانی سیستم های هوشمند، و سپس، ارائه تلاش های پژوهشی چهار گروه کاوشگر که کار گسترده ای در یکپارچه سازی این سه راه حل در ساخت سیستم های هوشمند برای نظارت، کنترل و تشخیص انجام داده اند، می باشد.
چهار گروه اصلی این پژوهش عبارتند از: آزمایشگاه سیستم های هوشمند در مهندسی فرآیند (LISPE) موسسه تکنولوژی ماساچوست ، آزمایشگاه سیستم های فرایند هوشمند (LIPS) دانشگاه Purdue ، لابراتوار مهندسی هوشمند (IEL) دانشگاه Alberta ، و دپارتمان مهندسی شیمی دانشگاه Leeds. این مقاله همچنین به مقایسه برخی روش های یکپارچه پرداخته، و نقاط قوت و ضعف آنها را نشان می دهد.
کلمات کلیدی: نظارت و کنترل. تکنیک های هوش مصنوعی. چارچوبی برای توسعه سیستم هوشمند. صنعت فرایند؛ سیستم های یکپارچه
- معرفی
سیستم های کنترل کامپیوتری برای نظارت،کنترل و تشخیص متغیرهای فرایند از قبیل فشار، جریان، و دما برای فرایندهای مختلف پیاده سازی شده اند. هنگامی که این سیستم ها در فرآیندهای مقیاس بزرگ اجرا میشوند،مقادیر متغیرهای فرایند بسیاری تولید کرده ، و عملگرها اغلب نظارت موثر بر داده های فرایند، تجزیه و تحلیل وضعیت های فعلی، شناسایی و تشخیص ناهنجاریهای پردازه، و / یا اقدامات لازم برای کنترل فرآیندها را بسیار دشوار می یابند. برای کمک به اپراتورهای واحدهای صنعتی، اطلاعات عملیاتی فرایند باید تجزیه و تحلیل شده و به شیوه ای که منعکس کننده زمینه یا رویدادهای مهم در فرآیند باشد، ارائه شوند. سیستم های پشتیبانی تصمیم گیری هوشمند که انواع تکنیک های AI و غیر AI را ترکیب میکنند، می توانند این وظیفه را انجام دهند. بررسی ما از برخی از متون مرتبط سه روش راه حل کلی برای حمایت از وظایف نظارت، کنترل، و تشخیص را نشان میدهد. این سه روش عبارتند از رویکردهای داده محور، تحلیلی و مبتنی بر دانش (Chiang و همکاران، ۲۰۰۱). بازبینی متون مرتبط نیز نشان می دهد که تلاش های تحقیقاتی گسترده ای جهت ارتقاء قدرت این روش ها با ترکیب آنها صورت گرفته است، بنابراین نقاط ضعف آنها به حداقل رسیده و نقاط قوت افزایش می یابد. با این حال، ادغام موفق این سه روش هنوز تحقق نیافته است.وظیفه ادغام راه حل ها به دلیل تکثیر نرم افزارها و پایگاه داده ها پیچیده تر شده، که ترکیب این روشها را با استفاده از ساختار سفت و سخت متدهای متداول ادغام غیر ممکن می سازد. هدف این مقاله توضیح ویژگی های این سه روش و ارائه کوشش ها در یکپارچه سازی انجام شده در برخی از مراکز عمده تحقیقات در شمال امریکا و اروپا می باشد. این مذاکره همچنین خلاصه ای از روش ها را در هر یک از چهار گروه تحقیقاتی و مزایا و معایب آنها را نشان میدهد.
Artificial intelligence for monitoring and supervisory control of process systems
Complex processes involve many process variables, and operators faced with the tasks of monitoring, control, and diagnosis of these processes often find it difficult to effectively monitor the process data, analyse current states, detect and diagnose process anomalies, or take appropriate actions to control the processes. The complexity can be rendered more manageable provided important underlying trends or events can be identified based on the operational data (Rengaswamy and Venkatasubramanian, 1992. An Integrated Framework for Process Monitoring, Diagnosis, and Control Using Knowledge-based Systems and Neural Networks. IFAC, Delaware, USA, pp. 49–۵۴٫). To assist plant operators, decision support systems that incorporate artificial intelligence (AI) and non-AI technologies have been adopted for the tasks of monitoring, control, and diagnosis. The support systems can be implemented based on the data-driven, analytical, and knowledge-based approach (Chiang et al., 2001. Fault Detection and Diagnosis in Industrial Systems. Springer, London, Great Britain). This paper presents a literature survey on intelligent systems for monitoring, control, and diagnosis of process systems. The main objectives of the survey are first, to introduce the data-driven, analytical, and knowledge-based approaches for developing solutions in intelligent support systems, and secondly, to present research efforts of four research groups that have done extensive work in integrating the three solutions approaches in building intelligent systems for monitoring, control and diagnosis. The four main research groups include the Laboratory of Intelligent Systems in Process Engineering (LISPE) at Massachusetts Institute of Technology, the Laboratory for Intelligent Process Systems (LIPS) at Purdue University, the Intelligent Engineering Laboratory (IEL) at the University of Alberta, and the Department of Chemical Engineering at University of Leeds. The paper also gives some comparison of the integrated approaches, and suggests their strengths and weaknesses.
لینک مقاله اصلی:
https://www.sciencedirect.com/science/article/pii/S0952197606001229
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد