|
Abstract:
|
Tämä diplomityö on osa Tampereen teknillisen korkeakoulun Säätötekniikan laitoksen tutkimusprojektia Soft Computation in Automation. Projektin keskeisenä osa-alueena on neuraaliverkkojen vikadiagnostiikka. Vian nopea havaitseminen sekä sen syyn selvittäminen ja paikallistaminen on tärkeää teollisuuslaitoksen turvallisuuden ja tuotantokustannusten kannalta. Koska teollisuusprosessit ovat teknisesti laajoja, laitoksen käyttöhenkilökunta ei voi tuntea tarkasti koko järjestelmän toimintaolosuhteita joka hetki. Tämän seurauksena kiinnostus vikadiagnostiikan hyväksikäyttöön teollisten prosessien toimintaolosuhteiden tarkkailussa on lisääntynyt. Vikadiagnostiikkamenetelmät on yleensä räätälöity tarkasteltavalle prosessille, joten menetelmiä on laaja valikoima. Esimerkkeinä voidaan mainita järjestelmästä mitattavien signaalien raja-arvotarkistukset, mallipohjaiset menetelmät ja hahmontunnistusmenetelmät. Tässä työssä tarkastellaan neuraaliverkkojen käyttöä vikadiagnostiikassa. Tavoitteena on kehittää diagnostiikkamenetelmä, jonka avulla prosessin vikatilanteet voidaan havaita nopeasti ja vian syy selvittää luotettavasti. Työssä esitellään epälineaarinen mallipankki, joka koostuu dynaamisista ennustajamalleista. Malleilla kuvataan normaalisti toimivaa järjestelmää ja prosessin vikatilanteita. Työssä on keskeisellä sijalla epälineaarisen aikasarjamallin identifiointi. Mallipankin toimintaa on testattu kemiallisen reaktorin vikadiagnostiikassa. Simulointien perusteella voidaan sanoa, että Radialbase -verkolla kyetään identifioimaan tarkkoja dynaamisia malleja, jos prosessista voidaan kerätä laadukasta identifiointidataa. Mallipankinavulla voidaan havaita vikatilanteet nopeasti ja löytää tunnettujen vikojen syyt luotettavasti. Käytännön sovelluksen kannalta lähestymistapa on erityisen käyttökelpoinen, jos tavoitteena on havaita epälineaarisen dynaamisen järjestelmän vikaantuminen. /Kir11 |