praktyczne problemy diagnostyki procesów przemysłowych

Transkrypt

Pomiary Automatyka Robotyka 2/2010
prof. dr hab. inĪ. Jan Maciej KoĞcielny
Politechnika Warszawska
Wydziaá Mechatroniki
Instytut Automatyki i Robotyki
PRAKTYCZNE PROBLEMY DIAGNOSTYKI PROCESÓW
PRZEMYSàOWYCH
Przedstawiono zadania systemów diagnostycznych dla procesów przemysáowych
w zestawieniu z niedostatkami wspóáczesnych systemów alarmowych. Omówiono
uwarunkowania i ograniczenia wystĊpujące w diagnostyce systemów duĪej skali
oraz sformuáowano wymagania dla systemów diagnostycznych. Podano procedurĊ doboru algorytmów detekcyjnych umoĪliwiającą uzyskanie wymaganej wykrywalnoĞci i rozróĪnialnoĞci uszkodzeĔ. Scharakteryzowano gáówne problemy, które
mogą byü przyczyną powstawania faászywych diagnoz. NaleĪą do nich: báĊdne
wyniki realizowanych testów, zmiennoĞü struktury diagnozowanego procesu,
opóĨnienia powstawania symptomów, uszkodzenia wielokrotne oraz moĪliwoĞü
wystąpienia uszkodzeĔ nieuwzglĊdnionych na etapie projektowania systemu.
Podano metody rozwiązania lub ograniczenia tych problemów, zapewniające
podwyĪszenie odpornoĞci systemu diagnostycznego. Metody te zostaáy zastosowane w systemach AMANDD oraz DIASTER, które krótko omówiono w koĔcowej czĊĞci pracy.
THE PRACTICAL PROBLEMS OF THE DIAGNOSTICS
OF INDUSTRIAL PROCESSES
The main tasks of the diagnostic systems intended for industrial processes have
been presented in this paper, particularly in the context of relative privation of
contemporary alarm systems. Boundary conditions of the diagnostics of the large
scale systems as well as the main requirements for the diagnostics systems have
been formulated and discussed. The procedure of the selection of diagnostic algorithms making allowance for the achievement of the demanded fault detectability
and distinguishability has been given. Main problems suspected to be responsible
for the generation of false diagnoses have been pointed out. To these problems
belong: false results of diagnostics tests, dynamic changes in the structure of diagnosed system, latency in generation, of symptoms, appearance of multiple faults
and possibility of appearance of faults that have been not considered in the diagnostic system development phase. The methods of the solution or limitation of
these problems have been given. This makes possible to enhance robustness of
the diagnostic system. Methods described in this paper have been implemented in
the AMandD and DiaSter systems. Both systems have been briefly described in the
final part of this paper.
1. WSTĉP
W instalacjach technologicznych w przemyĞle energetycznym, chemicznym, hutniczym, spoĪywczym i wielu innych pomimo stosowania elementów o duĪej niezawodnoĞci nieuchronne
są jednak uszkodzenia komponentów instalacji technologicznej, urządzeĔ pomiarowych i
wykonawczych. Powodują one znaczne i dáugotrwaáe zakáócenia przebiegu procesu produkcyjnego, zmniejszające jego wydajnoĞü, a czasami prowadzą do zatrzymania procesu. Straty
automation 2010
115
ekonomiczne w takich przypadkach są bardzo duĪe. Niektóre uszkodzenia prowadzą do stanów awaryjnych, np. zniszczenia instalacji technologicznej, skaĪenia Ğrodowiska naturalnego,
a takĪe mogą stanowiü zagroĪenie dla Īycia ludzi.
W systemach automatyki procesów przemysáowych do rozpoznawania stanów nienormalnych
i awaryjnych sáuĪy moduá sygnalizacji alarmów, stanowiący prostą wersjĊ systemu diagnostycznego. Stosowane powszechnie sposoby wykrywania i sygnalizacji alarmów mają jednak
wiele wad, takich jak [23]:
x duĪa liczba alarmów sygnalizowanych w krótkim przedziale czasu w przypadku powstania
groĨnych uszkodzeĔ, powodująca zjawisko przeciąĪenia informacyjnego operatorów
x brak moĪliwoĞci detekcji niektórych uszkodzeĔ ze wzglĊdu na maskowanie symptomów
przez ukáady regulacji (rys. 1)
x duĪe opóĨnienia detekcji
x brak
mechanizmów
wnioskowania
umoĪliwiających
formuáowania
diagnoz
o uszkodzeniach.
REG
SP
L
Wyciek substancji toksycznej
Rys. 1. Maskowanie objawów wycieku toksycznej substancji przez ukáad regulacji poziomu
PowyĪsze niedogodnoĞci utrudniają operatorom wypracowanie diagnozy, tj. rozpoznania
przyczyny zaistnienia zbioru alarmów, która w wielu przypadkach jest niezbĊdna do podjĊcia
wáaĞciwej akcji zabezpieczającej. Wypracowanie wáaĞciwej diagnozy zaleĪy zatem tylko od
wiedzy, doĞwiadczenia i stanu psychofizycznego operatora. NiedoskonaáoĞü systemów alarmowych jest przyczyną rozwoju systemów diagnostycznych dla procesów przemysáowych.
Zadaniem diagnostyki procesów przemysáowych jest wczesne wykrywanie i dokáadne rozpoznawanie (rozróĪnianie) powstających uszkodzeĔ, rozumianych jako wszelkiego rodzaju zdarzenia wpáywające destrukcyjnie na przebieg procesu. Podstawowymi fazami dziaáaĔ diagnostycznych jest detekcja i lokalizacja uszkodzeĔ. W fazie detekcji na podstawie sygnaáów sterujących i mierzonych, z wykorzystaniem modeli obiektu lub bez zastosowania modeli, wyliczane są wartoĞci sygnaáów diagnostycznych, które niosą informacje o stanie obiektu. Symptomem uszkodzenia jest wystąpienie takiej wartoĞci sygnaáu diagnostycznego, która Ğwiadczy
o powstaniu uszkodzenia w kontrolowanej czĊĞci obiektu. W fazie lokalizacji na podstawie
bieĪących wartoĞci sygnaáów diagnostycznych oraz znajomoĞci związku miĊdzy uszkodzeniami i wartoĞciami sygnaáów diagnostycznych wypracowywane są diagnozy. Wskazują one
zaistniaáe uszkodzenia.
W okresie ostatnich dwudziestu lat nastąpiá burzliwy rozwój metod diagnostyki uszkodzeĔ,
wywodzących siĊ z teorii modelowania i identyfikacji oraz technik sztucznej inteligencji.
Najszerszy opis tych metod znaleĨü moĪna w opracowaniach ksiąĪkowych [1, 2, 4, 9, 10, 11,
13, 16, 31, 36], artykuáach przeglądowych [3, 6, 7, 8, 12, 30, 31] oraz materiaáach IFAC
116
automation 2010
Symposium on Fault Detection, Supervision and Safety for Technical Processes –
SAFEPROCESS, organizowanego cyklicznie co 3 lata, począwszy od 1991 r. Polskim odpowiednikiem sympozjum SAFEPROCESS jest konferencja Diagnostyka Procesów
i Systemów, organizowana juĪ dziewiĊciokrotnie, początkowo pod nazwą Diagnostyka Procesów Przemysáowych.
2.
UWARUNKOWANIA I OGRANICZENIA W DIAGNOSTYCE PROCESÓW
PRZEMYSàOWYCH
Zadaniem systemów diagnostycznych jest wykrywanie i lokalizacja uszkodzeĔ oraz wspomaganie operatorów w stanach nienormalnych i awaryjnych. Realizacja powyĪszych zadaĔ jest
bardzo trudna ze wzglĊdu na záoĪonoĞü diagnozowanych instalacji, zawierających setki, a
nawet tysiące urządzeĔ pracujących zwykle w trudnych i zmiennych warunkach oraz wynikającą z tego duĪą liczbĊ i róĪnorodnoĞü moĪliwych uszkodzeĔ. Istnieje wiele uwarunkowaĔ i
ograniczeĔ, które trzeba uwzglĊdniaü przy projektowaniu systemów diagnostycznych dla procesów przemysáowych. Do najwaĪniejszych naleĪą:
x Brak moĪliwoĞci zakáócania procesu wymuszeniami testowymi. Diagnostyka musi
byü realizowana na bieĪąco, z wykorzystaniem wyáącznie danych roboczych.
x Struktura procesu ulega czĊsto zmianom, związanym z wáączeniami i wyáączeniami
aparatów technologicznych, odáączeniami urządzeĔ pomiarowych w celu ich obsáugi itp. Ta
zmiennoĞü struktury stanowi bardzo istotne utrudnienie przy projektowaniu systemu diagnostycznego.
x Brak danych pomiarowych dla stanów awaryjnych. W bazach danych systemów automatyki (DCS i SCADA) dostĊpne są duĪe zbiory danych pomiarowych, ale zarchiwizowane
przebiegi dotyczą stanów normalnej pracy obiektu oraz nielicznych zarejestrowanych stanów
nienormalnych i awaryjnych. To ogranicza moĪliwoĞü zastosowania metod klasyfikacji do
lokalizacji uszkodzeĔ. Wymagają one pozyskania w fazie uczenia wiedzy o związkach miĊdzy wartoĞciami symptomów a uszkodzeniami. Do uczenia niezbĊdne są dane pomiarowe
charakteryzujące wszystkie stany obiektu, które powinny byü rozpoznawane, a zatem stan
normalny obiektu oraz stany z uszkodzeniami. Pozyskanie takich danych z eksploatacji
obiektu jest niemoĪliwe. Ponadto instalacje technologiczne w przemyĞle chemicznym, energetycznym, spoĪywczym itp. są najczĊĞciej rozwiązaniami jednostkowymi lub realizowanymi
w krótkich seriach, nie ma zatem moĪliwoĞci wykorzystania wiedzy z obiektów tego samego
typu. System diagnostyczny powinien natomiast wykrywaü i rozpoznawaü groĨne awarie,
które nigdy wczeĞniej nie wystąpiáy.
x Brak moĪliwoĞci pozyskania opisu matematycznego obiektu uwzglĊdniającego
wpáyw uszkodzeĔ. Modelowanie obiektów z uwzglĊdnieniem wpáywu uszkodzeĔ jest bardzo
trudne i kosztowne nawet dla prostych obiektów, natomiast dla záoĪonych instalacji technologicznych wrĊcz niemoĪliwe. Dlatego w diagnostyce takich obiektów praktycznie nie znajdują
zastosowania dobrze ugruntowane teoretycznie metody rozpoznawania uszkodzeĔ wykorzystujące taki opis (residua strukturalne, kierunkowe, obserwatory nieznanego wejĞcia itp.)
W diagnostyce záoĪonych instalacji technologicznych najwiĊksze znaczenie mają metody
wykorzystujące wiedzĊ ekspercką do zaprojektowania relacji uszkodzenia - symptomy. Dobra
znajomoĞü funkcjonowania obiektu umoĪliwia okreĞlenie tej zaleĪnoĞci w sposób stosunkowo
prosty. Projektant systemu diagnostycznego moĪe dodatkowo wykorzystaü wiedzĊ technologów, operatorów procesu lub sáuĪb utrzymania ruchu.
automation 2010
117
x TrudnoĞci pozyskania modeli obiektu opisujących zjawiska fizyczne. Do detekcji
uszkodzeĔ stosowane są róĪnego rodzaju modele opisujące funkcjonowanie obiektu w stanie
normalnym. Najpeániejszy model obiektu uzyskaü moĪna bezpoĞrednio z równaĔ fizycznych,
np. równaĔ bilansowych. Model taki odzwierciedla wáasnoĞci obiektu w caáym zakresie pracy. Jednak opracowanie modeli bazujących na opisie zjawisk fizycznych jest dla wielu obiektów bardzo trudne lub wrĊcz niemoĪliwe. Stosowane są zatem modele aproksymacyjne, które
z odpowiednią dokáadnoĞcią odwzorowują tylko wybrane cechy funkcjonalne rzeczywistego
obiektu. Natura niektórych zjawisk wystĊpujących w procesach przemysáowych nie jest do
koĔca znana, co uniemoĪliwia budowĊ modeli analitycznych. W takim przypadku wykorzystywane mogą byü jedynie modele tworzone na podstawie danych pomiarowych. Zakres uĪytecznoĞci tego typu modeli ogranicza siĊ do zakresu zmiennoĞci sygnaáów wejĞciowych i
wyjĞciowych, na podstawie których model byá uczony.
x NiepewnoĞci symptomów. W praktyce niemal wyáącznie mamy do czynienia
z sygnaáami niepewnymi [8, 11, 16, 19]. Pomiary wartoĞci wielkoĞci procesowych obarczone
są zakáóceniami i szumem pomiarowym. Niepewne są takĪe modele procesu i relacje uszkodzenia-symptomy definiowane na podstawie wiedzy eksperckiej. W rezultacie symptomy
wykrywane na podstawie modeli z wykorzystaniem danych pomiarowych są takĪe niepewne.
Konieczne jest zatem zastosowanie odpowiednich metod przetwarzania informacji niepewnych.
x NiejednorodnoĞü wiedzy o diagnozowanym procesie. Dla pewnych czĊĞci obiektu mogą byü znane modele analityczne, dla innych istnieje moĪliwoĞü pozyskania modeli neuronowych lub rozmytych na podstawie danych pomiarowych, natomiast dla sáabo opomiarowanych czĊĞci obiektu do detekcji uszkodzeĔ wykorzystane mogą byü tylko proste związki heurystyczne [16]. Z tego wzglĊdu systemy diagnostyczne powinny posiadaü zdolnoĞü integracji
róĪnorodnych metod detekcji uszkodzeĔ. Ponadto w czasie eksploatacji systemu wzrasta poziom wiedzy o diagnozowanym systemie. Wiedza ta moĪe byü z powodzeniem spoĪytkowana
np. w celu uzyskania bardziej precyzyjnych diagnoz. Systemy diagnostyki przemysáowej powinny mieü na tyle elastyczną strukturĊ, aby umoĪliwiaü wykorzystanie tej dodatkowej wiedzy.
3. WYMAGANIA STAWIANE SYSTEMOM DIAGNOSTYCZNYM
Podstawowymi wymaganiami stawianymi systemom diagnostycznym jest wykrywalnoĞü
i rozróĪnialnoĞü uszkodzeĔ. Najprostszym wskaĨnikiem wykrywalnoĞci uszkodzeĔ jest stosunek liczby uszkodzeĔ wykrywanych przez system diagnostyczny do liczby wszystkich uszkodzeĔ moĪliwych do wystąpienia w obiekcie. Powszechnie wymaga siĊ, aby wszystkie uszkodzenia byáy wykrywalne, zatem wartoĞü tego wskaĨnika powinna wynosiü 1.
RozróĪnialnoĞü uszkodzeĔ uzyskujemy wtedy, gdy sygnatury poszczególnych uszkodzeĔ są
róĪne [11, 16]. Oznacza to, Īe kaĪde z uszkodzeĔ powoduje wystąpienie innego podzbioru
wartoĞci sygnaáów diagnostycznych niĪ pozostaáe. Im wiĊksza rozróĪnialnoĞü uszkodzeĔ, tym
wiĊksza dokáadnoĞü diagnoz, okreĞlana jako odwrotnoĞü Ğredniej liczby uszkodzeĔ wskazywanych w diagnozach [16].
Wymagany stopieĔ wykrywalnoĞci i rozróĪnialnoĞci uszkodzeĔ naleĪy zapewniü na etapie
projektowania systemu diagnostycznego, przez odpowiedni dobór zbioru testów. Natomiast
system diagnostyczny powinien gwarantowaü odpornoĞü diagnozowania.
118
automation 2010
Pojawia siĊ pytanie: jaki system diagnostyczny moĪemy nazwaü odpornym? Aby odpowiedzieü na sformuáowane pytanie naleĪy okreĞliü przyczyny, które mogą prowadziü do generowania faászywych diagnoz. Przyczyn tych jest wiele. W przypadku diagnostyki procesów
przemysáowych naleĪą do nich [25]:
x faászywe wyniki sprawdzeĔ (testów) diagnostycznych
x zmiany zbioru dostĊpnych sygnaáów pomiarowych
x zmiany moĪliwych do wykorzystania algorytmów detekcyjnych (testów)
x zmiany zbioru urządzeĔ diagnozowanych, a tym samym zbioru rozpatrywanych uszkodzeĔ
x opóĨnienia powstawania symptomów
x niepewnoĞci symptomów i moĪliwoĞü pojawiania siĊ nieznanych stanów systemu
(np. uszkodzeĔ pominiĊtych na etapie projektowania systemu).
Odporny system diagnostyczny charakteryzuje siĊ zatem zdolnoĞcią formuáowania prawdziwych diagnoz, pomimo wystĊpowania wymienionych powyĪej przyczyn, zakáócających proces wnioskowania diagnostycznego.
PoniĪej scharakteryzowano wymienione problemy oraz krótko omówiono metody ich rozwiązania.
4.
JAK ZAPEWNIû WYMAGANĄ WYKRYWALNOĝû I ROZRÓĩNIALNOĝû
USZKODZEē?
Zbiór algorytmów detekcyjnych jest dobierany na etapie projektowania aplikacji w taki sposób, aby oraz zapewniaá wykrywalnoĞü wszystkich uszkodzeĔ oraz moĪliwie duĪą rozróĪnialnoĞü uszkodzeĔ. Uszkodzenie jest wykrywalne, jeĞli istnieje przynajmniej jedno sprawdzenie,
które jest wraĪliwe na to uszkodzenie.
Uzyskanie rozróĪnialnoĞci wszystkich uszkodzeĔ obiektu zwykle nie jest moĪliwe. RozróĪnialnoĞü uszkodzeĔ zaleĪy przede wszystkim od opomiarowania diagnozowanego obiektu. Im
wiĊcej wielkoĞci jest mierzonych, tym wiĊcej jest moĪliwych do realizacji algorytmów detekcyjnych i dziĊki temu uzyskujemy wiĊkszą rozróĪnialnoĞü uszkodzeĔ oraz dokáadniejsze diagnozy. Przy projektowaniu diagnostyki procesów przemysáowych wykorzystywany jest zbiór
pomiarów juĪ istniejących. Rzadko moĪna wprowadziü dodatkowe pomiary. Wynika to z
technicznych trudnoĞci instalacji nowych przetworników pomiarowych w funkcjonującej
instalacji technologicznej oraz dodatkowych kosztów.
ZwiĊkszenie rozróĪnialnoĞci przy okreĞlonym zbiorze pomiarów moĪemy uzyskaü trzema
metodami:
x przez strukturyzacjĊ residuów, tj. projektowanie dodatkowych residuów wtórnych [9, 16,
31]
x przez stosowanie wielowartoĞciowej oceny residuów, co w praktyce sprowadza siĊ do
oceny trójwartoĞciowej, uwzglĊdniającej znak residuum [16]
x przez wykorzystanie wiedzy dotyczącej kolejnoĞci powstawania symptomów [16, 23, 35].
W p. 2 zaáoĪono brak moĪliwoĞci pozyskania równaĔ residuów w postaci wewnĊtrznej
(uwzglĊdniającej ich zaleĪnoĞü od uszkodzeĔ). DostĊpna jest zatem tylko postaü obliczeniowa
residuum, tj. zaleĪnoĞü residuum od zmiennych procesowych, przy czym nie zawsze ma ona
formĊ analityczną. CzĊsto zaleĪnoĞü ta jest okreĞlona z zastosowaniem modelu neuronowego
lub rozmytego. Dlatego metody projektowania residuów wtórnych, stosowane dla modeli
liniowych [9, 11, 31] nie nadają siĊ do projektowania strukturalnego zbioru residuów gene-
automation 2010
119
rowanych na podstawie nieliniowych modeli analitycznych, a takĪe modeli neuronowych i
rozmytych.
Do zaprojektowania strukturalnego zbioru residuów stosowana jest nastĊpująca procedura
postĊpowania [13, 16]:
a) Projektowane są modele cząstkowe (analityczne, neuronowe lub rozmyte) dla moĪliwie
najmniejszych czĊĞci obiektu z wykorzystaniem dostĊpnych sygnaáów pomiarowych. Ilustruje to rys. 2. Aby dany model mógá byü utworzony musi istnieü zbiór pomiarów wystarczający do zamodelowania z okreĞloną dokáadnoĞcią wáasnoĞci statycznych
i dynamicznych danego podobiektu. Zbiór modeli cząstkowych powinien pokrywaü caáy
obiekt. KaĪdy model cząstkowy jest podstawą algorytmu detekcyjnego.
b) Dla kaĪdego algorytmu detekcyjnego okreĞlany jest zbiór wykrywanych uszkodzeĔ
F ( s j ) . Wykorzystywana jest do tego wiedza ekspercka o wpáywie uszkodzeĔ na residua.
c) JeĞli modele cząstkowe pewnych czĊĞci obiektu nie mogą byü uzyskane, to naleĪy rozwaĪyü moĪliwoĞü wprowadzenia dodatkowych sygnaáów pomiarowych. JeĞli nie jest to moĪliwe ze wzglĊdów technicznych lub ekonomicznych, to naleĪy zaprojektowaü testy wykorzystujące wiedzĊ heurystyczną o obiekcie.
d) Analizowana jest uzyskiwana wykrywalnoĞü i rozróĪnialnoĞü uszkodzeĔ. JeĞli nie jest ona
wystarczająca, to dodatkowe testy są projektowane na zasadzie áączenia modeli cząstkowych dla sąsiadujących czĊĞci obiektu. Przykáadowo áącząc model serwomotoru i zaworu
regulacyjnego (rys. 2) uzyskujemy nowy model, dla którego generowane bĊdzie residuum
wtórne rw1 FW f U , PW , PP1 . Jest ono niewraĪliwe na uszkodzenie sygnaáu poáoĪenia
táoczyska siáownika X, na które wraĪliwe są oba residua pierwotne: r1 X f U ,
r2 FW f X , PW , PP1 .
e) Procedura taka jest prowadzona ewentualnie dalej, przy czym kolejne modele wykorzystywane w algorytmach testów obejmują coraz to wiĊksze czĊĞci obiektu.
TP1
TP1R
PP1
TP2
TP3
TP2R
TP3R
FP
PP2
Injector
Superheater
PW
Control valve
of Injection
water
FW
M
U
Servomotor
X
Rys. 2. Modele cząstkowe dla fragmentu ciągu parowego bloku energetycznego
Przedstawiona procedura projektowania zbioru algorytmów detekcyjnych ma charakter iteracyjny. W trakcie projektowania tworzona jest równieĪ binarna macierz diagnostyczna [9, 10,
11, 16]. OkreĞlają ją podzbiory uszkodzeĔ F ( s j ) wykrywanych przez poszczególne algorytmy detekcyjne. W przypadku stosowania trójwartoĞciowej oceny residuów zamiast binarnej
macierzy tworzony jest system informacyjny FIS –Fault Isolation System [11, 13, 15, 16, 21].
Po zaprojektowaniu pierwotnego zbioru algorytmów detekcyjnych przeprowadza siĊ analizĊ
uzyskiwanej wykrywalnoĞci i rozróĪnialnoĞci uszkodzeĔ oraz wprowadza nowe residua,
zwiĊkszające stopieĔ wykrywalnoĞci lub rozróĪnialnoĞci uszkodzeĔ. Proces ten powtarza siĊ
wielokrotnie, aĪ do osiągniĊcia wymaganych wáaĞciwoĞci.
120
automation 2010
5.
WCZESNE WYKRYWANIE USZKODZEē A MOĩLIWOĝû FALSZYWYCH
SYMPTOMÓW
5.1. Charakterystyka problemu
WyróĪniü moĪna dwie zasadnicze grupy metod detekcji uszkodzeĔ: (model based)
z zastosowaniem róĪnego rodzaju modeli cząstkowych obiektu diagnozowanego (rys. 3.) oraz
(signal based) na podstawie analizy sygnaáów, bez wykorzystania modeli. W obu przypadkach decyzja o wykryciu uszkodzenia podejmowana jest w wyniku oceny wartoĞci residuum
lub innego sygnaáu z przyjĊtymi ograniczeniami. JeĞli dopuszczalny zakres zmiennoĞci tych
sygnaáów, charakteryzujący stan normalny obiektu, bĊdzie wąski, to uzyskamy krótkie czasy
detekcji uszkodzeĔ, ale prawdopodobieĔstwo powstawania faászywych symptomów bĊdzie
wysokie. JeĞli ten zakres bĊdzie szeroki, to czas detekcji ulegnie wydáuĪeniu, ale redukcji
ulegnie liczba faászywych symptomów. Mogą wystąpiü takĪe báĊdy detekcji związane z niewykryciem symptomu przy maáych rozmiarach uszkodzeĔ. BáĊdy detekcji uszkodzeĔ są
związane z niepewnymi pomiarami, zakáóceniami i szumami pomiarowymi oraz niedokáadnoĞcią modeli stosowanych do detekcji uszkodzeĔ.
wejĞcie
u
wyjĞcie
Proces
y
Model
procesu
-
+
r
Ocena
residuów
S
Detekcja uszkodzeĔ
Rys. 3. Detekcja uszkodzeĔ z zastosowaniem modelu procesu
5.2. Metody redukcji báĊdów detekcji uszkodzeĔ.
RedukcjĊ báĊdów detekcji uszkodzeĔ uzyskuje siĊ przez:
x
Wykrywanie przekroczeĔ granic dopuszczalnych nie na podstawie chwilowej wartoĞci
residuum (lub innego sygnaáu) lecz wartoĞci Ğredniej w przesuwnym oknie zawierającym
N ostatnich wartoĞci.
Rys. 4. Automatyczne wyznaczanie wartoĞci rozmytych ograniczeĔ w systemie DiaSter
automation 2010
121
x
UzaleĪnienie ograniczeĔ od danych statystycznych charakteryzujących przebieg residuum (innego sygnaáu) w stanie normalnym procesu. Granice mogą byü ustalane automatycznie przez system diagnostyczny (rys. 4).
x
Zastosowanie rozmytej oceny wartoĞci ocenianych sygnaáów. Skutecznym sposobem
uwzglĊdnienia niepewnoĞci związanych z wyliczanym residuami jest zastosowanie logiki
rozmytej. Przykáad rozmytej trójwartoĞciowej oceny residuów ilustruje rys. 5.
9
rj
rj
6
Qj,3
3
0
0
1
Pj,n(rj)
Qj,2
3
6
t [s]
9
200
400
600
Qj,1
800
Rys. 5. Rozmyta trójwartoĞciowa ocena residuów
x
Projektowanie odpornych algorytmów detekcyjnych. Wymagają one estymacji niepewnoĞci modelu wykorzystywanego do detekcji uszkodzeĔ. Zapewnienie odpornoĞci osiągane jest dwiema metodami: przez identyfikacjĊ przy ograniczonej wartoĞci báĊdu lub
przez statystyczne wyznaczanie obwiedni niepewnoĞci – adaptacyjnych progów [12, 13,
36].
6.
PROBLEM ZMIENNOĝCI STRUKTURY OBIEKTU
W fazie projektowania systemu diagnostycznego okreĞlane są zbiory: X – zmiennych procesowych (sygnaáów mierzonych Y i sterujących U) wykorzystywanych w algorytmach detekcyjnych, S – sygnaáów diagnostycznych generowanych na wyjĞciach sprawdzeĔ oraz F –
uszkodzeĔ. Związek miĊdzy sygnaáami diagnostycznymi, a wykorzystywanymi do ich wyliczenia zmiennymi procesowymi okreĞla relacja R XS , natomiast relacja RSF pokazuje wraĪliwoĞü sygnaáów diagnostycznych na poszczególne uszkodzenia.
W trakcie eksploatacji mają miejsce zmiany struktury procesów przemysáowych. Niektóre
aparaty technologiczne mogą byü czasowo wyáączane. Zmiany takie powodują eliminacjĊ ze
zbioru uszkodzeĔ F oraz zbioru zmiennych procesowych X tych elementów, które są związane z odáączonymi urządzeniami. W wyniku tego konieczna jest adaptacja systemu diagnostycznego przez odpowiednią redukcją zbioru S oraz relacji R XS , RSF . Ponowne wáączenie
aparatów technologicznych wymaga dziaáaĔ odwrotnych.
Urządzenia pomiarowe mogą byü chwilowo odáączane dla celów justowania i remontów,
a ponadto wystĊpują równieĪ uszkodzenia tych urządzeĔ. Oznacza to zmiany zbioru X oraz
redukcjĊ ze zbioru F uszkodzeĔ torów pomiarowych, które zostaáy odáączone.
W konsekwencji wymagane jest odpowiednie dostosowywanie zbioru algorytmów detekcyjnych S oraz relacji R XS , RSF .
ZmiennoĞü zbioru realizowanych algorytmów diagnostycznych, a zatem zbioru wyliczanych
sygnaáów diagnostycznych S wynika takĪe z organizacji samego algorytmu diagnozowania.
122
automation 2010
Czasowo nieprzydatne stają siĊ bowiem wyniki algorytmów detekcyjnych, kontrolujących
wczeĞniej rozpoznane uszkodzenia. Nie mogą byü one wykorzystane do chwili ponownego
przywrócenia stanu zdatnoĞci danej czĊĞci obiektu. Zbiór sygnaáów diagnostycznych S dostĊpnych w danej chwili diagnozowania jest podzbiorem peánego zbioru sygnaáów diagnostycznych S , podobnie relacje R XS , RSF są podzbiorami relacji peánych R XS , RSF .
W praktyce system diagnostyczny operuje nie na peánych zbiorach: X , S , F , R XS , RSF , lecz
na ich podzbiorach: X , S , F , R XS , RSF . Ilustruje to rys. 6. Wynika to ze zmiennoĞü obiektu
diagnozowania i koniecznoĞci adaptowania siĊ do tych zmian przez system diagnostyczny.
X
X
R XS
R XS
S
S
RSF
RSF
F
F
…
X – zmienne procesowe
Detekcja uszkodzeĔ
…
S – sygnaáy diagnostyczne
Lokalizacja
uszkodzeĔ
F - uszkodzenia
Diagnozy
Rys. 6. Schemat diagnozowania z zaznaczonymi zbiorami podlegającymi zmianom w trakcie
funkcjonowania systemu
6.2. Mechanizmy automatycznej adaptacji systemu diagnostycznego do zmian strukturalnych
Aby system diagnostyczny byá odporny na omówione powyĪej zmiany strukturalne konieczne
jest prowadzenie wszystkich operacji wnioskowania diagnostycznego na bieĪąco, uwzglĊdniając zachodzące zamiany zbiorów zmiennych procesowych, sygnaáów diagnostycznych,
uszkodzeĔ oraz związków miĊdzy tymi zbiorami [13, 16, 34]. Systemy diagnostyczne dla
procesów przemysáowych muszą ten problem uwzglĊdniaü i skutecznie go rozwiązywaü.
Dla osiągniĊcia wymaganej odpornoĞci istotne znaczenie ma zapis związku miĊdzy uszkodzeniami a wartoĞciami sygnaáów diagnostycznych. Funkcje logiczne, drzewa diagnozowania, binarna macierzy diagnostyczna, system informacyjny okreĞlane na etapie projektowania
systemu diagnostycznego są sztywne i nie odporne na zmiany struktury obiektu. RównieĪ w
reguáach typu:
if s1 v1, k ! s j
v j, k !sJ
vJ , k then f k (1)
przy zmianach zbioru dostĊpnych sygnaáów pomiarowych, zmianom ulega zbiór przesáanek.
Ponadto w przypadku systemów duĪej skali, gdzie liczba realizowanych testów jest bardzo
duĪa, reguáy typu (1) są niewygodne ze wzglĊdu na bardzo duĪą liczbĊ przesáanek.
automation 2010
123
Odporną, w aspekcie moĪliwych zmian struktury obiektu, metodą zapisu relacji diagnostycznej są reguáy o postaci:
(2)
if s j v then f k or f n or ...or f r ,
w których poszczególnym symptomom przyporządkowane są podzbiory uszkodzeĔ wywoáujących te symptomy. Ta zaleĪnoĞü jest niezmienna. W przypadku zmian struktury obiektu lub
w wyniku wczeĞniejszych diagnoz reguáa taka moĪe zostaü chwilowo wyeliminowana ze
zbioru reguá aktywnych, lecz jej postaü jest niezmienna. Reguáa taka ma zwartą postaü, bowiem liczba wskazywanych w konkluzji moĪliwych uszkodzeĔ nie jest duĪa, szczególnie w
przypadku stosowania modeli cząstkowych. Ponadto taka postaü reguá jest wygodna przy
rozszerzaniu bazy reguá po wprowadzeniu nowych testów.
Skuteczną metodą umoĪliwiająca áatwą adaptacjĊ systemu wnioskowania do omówionych
zmian jest zasada dynamicznej dekompozycji obiektu (DDS – Dynamic Decomposition of
diagnosed System) [13, 16, 21, 28]. Polega ona na wyodrĊbnieniu podobiektu, w którym poszukiwane jest uszkodzenie, na podstawie pierwszego zaobserwowanego symptomu. Na podstawie reguáy (2) opisującej ten symptom okreĞlany jest zbiór moĪliwych uszkodzeĔ
F 1 F (sx v) . Obejmuje on wszystkie uszkodzenia wskazane w konkluzji tej reguáy. NastĊpnie wybierane są z bazy te reguáy, dla których w konkluzji wskazywane są uszkodzenia ze
zbioru F 1 . Tak okreĞlony podzbiór reguá stosowany jest do rozpoznania stanu obiektu. OkreĞla on jednoznacznie zbiór sygnaáów diagnostycznych S 1 {s j S : F 1 F (s j v) z } , które
zostaną wykorzystane do sformuáowania diagnozy. W przypadku braku dostĊpnoĞci któregoĞ
z sygnaáów diagnostycznych ze zbioru S1 jest on z niego eliminowany, co zwykle zmniejsza
precyzjĊ diagnozy (rozróĪnialnoĞü uszkodzeĔ), lecz zabezpiecza przed báĊdami wnioskowania.
PowyĪsza metoda moĪe zostaü zilustrowana jako wydzielenie odpowiedniego podzbioru relacji diagnostycznej na podstawie pierwszego zaobserwowanego symptomu. Na rys. 7 pokazano przykáad wyznaczenia podsystemu relacji diagnostycznej zainicjowanego powstaniem
symptomu s6 1 .
f1
S1
1
S2
1
f2
S6
1
1
f5
f6
f7
1
1
1
1
S4
f4
1
S3
S5
f3
1
f8
f9
f10
1
f1
1
1
S1
1
1
S2
1
1
1
S4
1
1
S5
S8
1
1
S6
S9
1
1
1
1
1
S7
S10
1
1
S7
f5
f6
f7
1
1
1
1
1
1
1
1
1
1
1
1
Rys. 7. Sposób okreĞlenia podsystemu relacji diagnostycznej zainicjowanego powstaniem
symptomu s6 1
Wnioskowanie w wydzielonym podsystemie stanowi samodzielny wątek lokalizacji uszkodzeĔ prowadzony zwykle przy zaáoĪeniu uszkodzeĔ pojedynczych. Po sformuáowaniu diagnozy zbiór dostĊpnych sygnaáów diagnostycznych (a takĪe zbiór wykorzystywanych reguá)
powinien byü pomniejszany o te sygnaáy, które są wraĪliwe na wykryte uszkodzenie. Ich wartoĞci są bowiem zdeterminowane przez istnienie rozpoznanego uszkodzenia. Mogą one byü
124
automation 2010
ponownie wáączone do zbioru dostĊpnych sygnaáów diagnostycznych po automatycznym
rozpoznaniu przywrócenia stanu zdatnoĞci uszkodzonego elementu [14, 16].
Odporne metody rozpoznawania uszkodzeĔ zostaáy przedstawione w pracach [13, 25].
7.
PROBLEM OPÓħNIEē POWSTAWANIA SYMPTOMÓW
Obiekt diagnozowania jest ukáadem dynamicznym, a zatem od chwili wystąpienia uszkodzenia do chwili powstania mierzalnego symptomu tego zdarzenia upáywa okreĞlony czas, zaleĪny m.in. od wáasnoĞci dynamicznych testowanej czĊĞci obiektu. To samo uszkodzenie jest
wykrywane po niejednakowym upáywie czasu przez róĪne sygnaáy diagnostyczne. JeĞli algorytm lokalizacji uszkodzeĔ nie ma wbudowanych mechanizmów uodporniających przebieg
wnioskowania na opóĨnienia symptomów, to moĪe generowaü faászywe diagnozy. RóĪne
sposoby rozwiązania tego problemu omówiono w pracach [13, 14, 16, 22, 23, 35].
7.2. Metody rozwiązania
Istnieje kilka sposobów, aby problem ten rozwiązaü. Zakáadamy przy tym, Īe kolejnoĞci
symptomów nie moĪna wyznaczyü w sposób analityczny ze wzglĊdu na brak modeli obiektu
uwzglĊdniających wpáyw uszkodzeĔ. Stosowane są nastĊpujące rozwiązania:
x Wnioskowanie wykorzystujące test stanu ustalonego do sformuáowania diagnozy. Diagnoza formuáowana jest dopiero po ustaleniu siĊ wartoĞci residuów. Rozpoznanie stanów ustalonych dla okreĞlonych podzbiorów residuów nie jest zadaniem prostym.
x Wnioskowania na podstawie symptomów [22]. W algorytmie tym brane pod uwagĊ są jedynie symptomy (róĪne od zera wartoĞci sygnaáów diagnostycznych) a pomijane zerowe wartoĞci tych sygnaáów. Prowadzi to jednak do zmniejszenia rozróĪnialnoĞci uszkodzeĔ podczas
diagnozowania, co uwidacznia siĊ wskazywaniem w diagnozach wiĊkszej liczby moĪliwych
uszkodzeĔ niĪ przy diagnozowaniu z uwzglĊdnieniem czasów symptomów.
x Wnioskowanie na podstawie symptomów z uwzglĊdnieniem znanych relacji miĊdzy opóĨnieniami róĪnych symptomów tego samego uszkodzenia, przy czym wiedza o tych relacjach
nie musi byü kompletna. Relacje takie mogą zostaü okreĞlone na podstawie znajomoĞci obiektu i algorytmów detekcyjnych lub teĪ na podstawie analizy grafu przyczynowo skutkowego,
stanowiącego model jakoĞciowy procesu. Algorytm taki [23] stanowi rozszerzenie i ulepszenie algorytmu wnioskowania na podstawie symptomów. Charakteryzuje siĊ wiĊkszą rozróĪnialnoĞcią uszkodzeĔ w stosunku do wersji podstawowej, a jednoczeĞnie w peáni zabezpiecza
przed báĊdami wnioskowania, wynikającymi z niejednakowych opóĨnieĔ powstawania symptomów.
x Wnioskowanie wykorzystujące wartoĞci maksymalnych opóĨnieĔ symptomów [14].
We wnioskowaniu wykorzystywane są nie tylko symptomy, ale takĪe informacje o zerowych
wartoĞciach sygnaáów diagnostycznych, oznaczających brak symptomu. WartoĞci te muszą
zostaü okreĞlone na podstawie wiedzy eksperckiej. Zwykle podawane są one w sposób bezpieczny, co powoduje wydáuĪenie czasu wnioskowania.
x Wnioskowanie z uwzglĊdnieniem przedziaáu opóĨnieĔ symptomów dla kaĪdej pary uszkodzenie-symptom [24]. Metoda ta stanowi rozszerzenie poprzedniej. Pozwala ona uzyskaü
wiĊkszą rozróĪnialnoĞü uszkodzeĔ niĪ pozostaáe oraz skrócenie czasu diagnozowania. Wymaga jednak wprowadzenia wiedzy o przedziaáach opóĨnieĔ symptomów, która jest trudna do
okreĞlenia.
automation 2010
125
NajwiĊksze znaczenie praktyczne spoĞród wymienionych mają metody wnioskowania na
podstawie symptomów. Wykorzystanie dodatkowej wiedzy o relacjach miĊdzy opóĨnieniami
par róĪnych symptomów tego samego uszkodzenia pozwala podwyĪszyü dokáadnoĞü diagnozowania. Wzrost rozróĪnialnoĞci jest tym wiĊkszy im peániejsza jest wiedza o relacjach miĊdzy opóĨnieniami symptomów.
Dobre rezultaty daje takĪe poáączenie metod wnioskowania na podstawie symptomów
z metodami wykorzystującymi wszystkie wartoĞci sygnaáów diagnostycznych oraz wiedzĊ
o opóĨnieniach symptomów. Stosując równolegle dwie metody moĪna sformuáowaü diagnozĊ
podając jej górne i dolne przybliĪenie. PrzybliĪenie górne zawiera wiĊkszy zbiór moĪliwych
uszkodzeĔ. Diagnoza sformuáowana wyáącznie na podstawie symptomów moĪe byü zatem
traktowana jako górne przybliĪenie diagnozy. PrzybliĪenie dolne okreĞla minimalny zbiór
moĪliwych uszkodzeĔ wskazany przy danym zbiorze residuów (sygnaáów diagnostycznych).
Jako dolne przybliĪenie diagnozy moĪna traktowaü diagnozĊ sformuáowaną
z uwzglĊdnieniem wszystkich wartoĞci sygnaáów diagnostycznych oraz wiedzy
o przedziaáach opóĨnieĔ symptomów.
8.
PROBLEM USZKODZEē WIELOKROTNYCH
W przypadku záoĪonych instalacji przemysáowych, ze wzglĊdu na duĪą liczbĊ urządzeĔ
i ograniczoną ich niezawodnoĞü, uszkodzenia wielokrotne mogą stanowiü powaĪny problem.
Metody rozpoznawania uszkodzeĔ wielokrotnych byáy tematem publikacji [16, 17, 27, 28].
Uszkodzenia wielokrotne mogą powstawaü kolejno lub jednoczeĞnie. Najtrudniejsze do rozpoznania są uszkodzenia wystĊpujące jednoczeĞnie. MoĪe siĊ wydawaü, Īe w praktyce sytuacja taka moĪe wystąpiü bardzo rzadko, jeĞli rozpatrujemy uszkodzenia niezaleĪne. Okazuje
siĊ jednak, Īe problem ten wystĊpuje praktycznie przy kaĪdym rozruchu systemu diagnozującego duĪą instalacjĊ technologiczną. W chwili rozruchu wszystkie wczeĞniej powstaáe uszkodzenia są widziane przez system, jako uszkodzenia jednoczesne. Brak mechanizmu rozpoznawania takich uszkodzeĔ moĪe doprowadziü do nieprawidáowego funkcjonowania systemu
diagnostycznego.
8.2. Metoda rozwiązania
W pracach [16, 27] wykazano, Īe zarówno uszkodzenia pojedyncze jak teĪ wiĊkszoĞü uszkodzeĔ wielokrotnych moĪe byü skutecznie lokalizowana przy zaáoĪeniu uszkodzeĔ pojedynczych pod warunkiem, Īe algorytm wnioskowania diagnostycznego wykorzystuje metodĊ
dynamicznej dekompozycji obiektu (omówioną w p. 6.2). Jest to istotne, gdyĪ zaáoĪenie
uszkodzeĔ pojedynczych powoduje znaczne uproszczenie algorytmu lokalizacji uszkodzeĔ.
JeĞli uszkodzenia wystĊpują kolejno w odstĊpach wiĊkszych, niĪ czas formuáowania kolejnych diagnoz, to diagnozy generowane przy zaáoĪeniu wystĊpowania uszkodzeĔ pojedynczych są prawidáowe. NaleĪy jednak podkreĞliü, Īe po kaĪdej diagnozie zbiór dostĊpnych
sygnaáów diagnostycznych powinien byü pomniejszany o te sygnaáy, które są wraĪliwe na
wykryte uszkodzenie. Mogą one byü ponownie wáączone do zbioru dostĊpnych sygnaáów
diagnostycznych po przywróceniu stanu zdatnoĞci uszkodzonego elementu. Zbiór S interpretujemy zatem jako zmienny, modyfikowany wg zasad podanych w [11, 13, 14, 16].
Wykorzystanie metody DDS jest niezwykle uĪyteczne przy rozpoznawaniu uszkodzeĔ wielokrotnych. Dynamiczna Dekompozycja Systemu ta polega na tym, Īe po kaĪdym wykryciu
symptomu wydzielany jest odpowiedni podsystem, okreĞlony przez podzbiory moĪliwych
126
automation 2010
uszkodzeĔ F1 i sygnaáów diagnostycznych S1, wykrywających te uszkodzenia. Dla tak wydzielonego podsystemu prowadzone jest dalsze diagnozowanie. W [16, 28] pokazano, Īe
uszkodzenia wielokrotne wystĊpujące jednoczeĞnie lub w krótkich odstĊpach czasu bĊdą
prawidáowo lokalizowane przy zaáoĪeniu uszkodzeĔ pojedynczych, jeĞli podzbiory testów
przydatnych do ich rozpoznania są rozáączne: S1jS1k=. Oznacza to, Īe w praktyce prowadzone mogą byü równolegle odrĊbne wątki wnioskowania związane z lokalizacją uszkodzeĔ
w kaĪdym z wyodrĊbnionych dynamicznie podsystemów. Wnioskowanie diagnostyczne z
zastosowaniem metody DDS zilustrowano na rys. 8.
Stacja wyparna
Relacja diagnostyczna

RFxS
I
f19
s7
1
s11
1
f25
1
s12
1
s17
1
II
f35
s16
1
s20
1
s23
DGNf
f38
f40
1
1
1
^f19` ^f40`
Rys. 8. Wnioskowanie diagnostyczne dla stacji wyparnej cukrowni z zastosowaniem
metody DDS
JeĞli warunek rozáącznoĞci podzbiorów testów w wydzielonych podsystemach nie jest speániony, to proces wnioskowania dla takiej pary powinien byü prowadzony, przy zaáoĪeniu
uszkodzeĔ podwójnych lub ogólnie uszkodzeĔ wielokrotnych. Efektywny algorytm rozpoznawania uszkodzeĔ wielokrotnych podano w pracy [29]. Redukuje on skutecznie liczbĊ rozpatrywanych kombinacji uszkodzeĔ wielokrotnych.
9.
NIEPEWNOĝCI DIAGNOZOWANIA
Wnioskowane diagnostyczne moĪe prowadziü do powstawania faászywych diagnoz jeĞli nie
uwzglĊdnia niepewnoĞci symptomów. Ponadto w praktyce nigdy nie ma pewnoĞci, czy
w fazie projektowania systemu diagnostycznego uwzglĊdniono wszystkie moĪliwe uszkodzenia. Wystąpienie uszkodzeĔ, dla których nie wprowadzono wiedzy o relacji uszkodzeniasymptomy prowadziü moĪe albo do wskazywania innych uszkodzeĔ (nierozróĪnialnych z
pominiĊtymi), albo do wystĊpowania kombinacji wyników testów róĪnych od sygnatur
uszkodzeĔ uwzglĊdnionych w bazie wiedzy.
9.2. Metoda rozwiązania – wnioskowanie rozmyte
Skuteczną metodą wnioskowania przy niepewnych i nieprecyzyjnych danych jest logika rozmyta [11, 15, 16, 18, 19]. Alternatywnym rozwiązaniem jest zastosowanie sieci bayerowskich
automation 2010
127
[5, 13]. Wynikiem zastosowania logiki rozmytej do oceny residuów są rozmyte sygnaáy
diagnostyczne. WartoĞü rozmytego sygnaáu okreĞlona jest przez wspóáczynniki
przynaleĪnoĞci wyliczonej wartoĞci residuum do poszczególnych zbiorów rozmytych.
sj
^ P ji , v ji ! :v ji V j `,
(3)
gdzie: Pji - wspóáczynnik przynaleĪnoĞci j-tego residuum do zbioru rozmytego vji.
Ogólny schemat diagnozowania bazującego na zastosowaniu: modeli cząstkowych do detekcji uszkodzeĔ oraz rozmytego wnioskowania o uszkodzeniach przedstawiono na rys. 9. Charakterystyczny jest brak bloku wyostrzania. Diagnoza wskazuje uszkodzenia oraz odpowiadające im stopnie aktywacji reguá, które są interpretowane jako wskaĨniki przekonania o wystąpieniu poszczególnych uszkodzeĔ.
Proces
Model
cząstkowy
residua
-
#
zmienne procesowe
r1
#
Model
cząstkowy
-
symptomy
rj
diagnozy
^f1, G1 `
S1
Rozmyta
ocena
residuów
#
SJ
Wnioskowanie
rozmyte
#
^fk, Gk `
Rys. 9. Schemat diagnozowania z zastosowaniem logiki rozmytej.
Wnioskowanie rozmyte polega na wyliczeniu stopni aktywacji reguá okreĞlanych on-line dla
bloków elementarnych Em (podzbiorów uszkodzeĔ nierozróĪnialnych). Reguáy mają postaü:
if ( s1
v1 ) ... ( s j
v j ) ... ( sn
vn ) then ( f k f m ...) ; s S 1 , f Em
(4)
Są one okreĞlane, tak jak bloki elementarne, dynamicznie w trakcie wnioskowania na podstawie wiedzy o relacji uszkodzenia-symptomy zawartej w bazie danych (np. w postaci reguá
typu (2)) oraz aktualizowanych na bieĪąco zbiorów uszkodzeĔ F, zmiennych procesowych X
oraz sygnaáów diagnostycznych S. StopieĔ aktywacji reguáy bĊdącej rozmytą koniunkcją
przesáanek prostych jest wyznaczany zgodnie z wyraĪeniem:
P ( f k ) P ( Em , s1 ) ... P ( Em , s j ) ... P ( Em , sn ) ,
(5)
gdzie: - ogólny operator koniunkcji rozmytej.
Do wyznaczania stopnia aktywacji reguáy, bĊdącej koniunkcją przesáanek prostych, stosowane są operatory t-normy, np. operator PROD lub MIN. Operator PROD jest definiowany jako
iloczyn wspóáczynników speánienia wszystkich przesáanek prostych w regule:
(6)
P ( Em ) PROD P ( Em , s1 ) ... P ( Em , s j ) ... P ( Em , sn )} .
StopieĔ aktywacji reguáy (4) przyjmuje wartoĞci z przedziaáu [0, 1]. Jest on interpretowany
jako wspóáczynnik pewnoĞci istnienia któregoĞ z uszkodzeĔ wskazanych w konkluzji reguáy.
Informacja ta stanowi diagnozĊ generowaną na wyjĞciu algorytmu rozmytej lokalizacji
uszkodzeĔ. Ma ona postaü zbioru par: wspóáczynnik pewnoĞci wystąpienia uszkodzenia naleĪącego do bloku elementarnego, blok elementarny.
DGN
{ P ( E m ), E m !: P ( E m ) ! G} ,
(7)
gdzie: G jest pewną progową wartoĞcią stopnia aktywacji reguáy, przy której uszkodzenie jest
wskazywane w diagnozie (np. G = 0, 1).
128
automation 2010
Wykorzystanie reguá (4) dla bloków funkcjonalnych zawierających uszkodzenia nierozróĪnialne powoduje, Īe nowa baza reguá jest niesprzeczna. Zastosowanie operatora PROD do
wyznaczenia stopnia zapáonu reguáy ma istotną zaletĊ. Pozwala stwierdziü kompletnoĞü i niesprzecznoĞü bazy reguá. JeĞli suma stopni speánienia przesáanek wszystkich reguá jest równa
1, dla dowolnego stanu wejĞü (przesáanek), to baza reguá jest kompletna i niesprzeczna [32]:
m M
¦ P(E
)
1.
m PROD
(8)
m o
Wykorzystywana w danym procesie wnioskowania baza reguá nie jest zwykle kompletna,
w tym sensie, Īe nie zawiera reguá dla wszystkich moĪliwych kombinacji wartoĞci sygnaáów
diagnostycznych. W praktyce nie wszystkie takie kombinacje są moĪliwe. W praktyce nigdy
nie moĪna mieü pewnoĞci, Īe przyjĊty zbiór uszkodzeĔ zawiera wszystkie moĪliwe uszkodzenia. NieuwzglĊdnione w bazie reguáy odpowiadają takĪe stanom obiektu z uszkodzeniami
wielokrotnymi oraz stanom z pominiĊtymi uszkodzeniami.
WartoĞü sumy stopni aktywacji wszystkich reguá w bazie, wyliczonej z zastosowaniem operatora PROD, naleĪy do przedziaáu [0, 1]. Stanowi ona miarĊ pewnoĞci uzyskanej diagnozy. Im
wartoĞü sumy jest bliĪsza 1, tym pewniejsza diagnoza. Niska wartoĞü sumy moĪe Ğwiadczyü o
nieuwzglĊdnieniu w bazie wszystkich uszkodzeĔ, wystąpieniu uszkodzeĔ wielokrotnych lub
teĪ powstaniu faászywych wartoĞci sygnaáów diagnostycznych na skutek duĪych zakáóceĔ.
Miarą niepewnoĞci generowanej diagnozy, a zatem miarą przekonania o wystąpieniu innego,
nieznanego stanu obiektu jest wartoĞü wskaĨnika PUS :
PUS 1 m M
¦ P(E
)
m PROD
.
(9)
m 0
JeĞli rozpatrywane są w systemie diagnostycznym stany z uszkodzeniami wielokrotnymi, to
wskaĨnik (9) przyjmuje wysokie wartoĞci w przypadku wystąpienia uszkodzeĔ, które zostaáy
pominiĊte w fazie projektowania systemu (brak ich w zbiorze F).
Algorytmy wnioskowania diagnostycznego przeznaczone do diagnozowania záoĪonych instalacji przemysáowych, wykorzystujące logikĊ rozmytą, przedstawione zostaáy w pracach [11,
14, 15, 16, 25].
10. SYSTEMY AMANDD i DIASTER
Omówione powyĪej metody podwyĪszenia odpornoĞci systemu diagnostycznego zostaáy zaimplementowane w opracowanych systemach AMANDD oraz DIASTER. System AMANDD
zostaá opracowany w Instytucie Automatyki i Robotyki Politechniki Warszawskiej w ramach
projektu Unii Europejskiej „CHEM’” oraz dwóch zadaĔ badawczych w Programie Wieloletnim PW-004, ustanowionym przez RadĊ Ministrów RP.
Gáównym zadaniem systemu AMANDD [20, 26] jest wczesne i dokáadne rozpoznawanie nieprawidáowych stanów procesu przemysáowego oraz uszkodzeĔ urządzeĔ technologicznych,
wykonawczych i pomiarowych (rys. 10). W stanach nienormalnych i awaryjnych system
wspomaga operatorów procesu poprzez przekazywanie im generowanych diagnoz o uszkodzeniach i ewentualnie komunikatów doradczych informujących o niezbĊdnych dziaáaniach
zabezpieczających. Diagnozy znacznie dokáadniej okreĞlają stan procesu niĪ sekwencje alarmów generowanych we wspóáczesnych systemach automatyki. Dodatkowo system wyposaĪony jest w zaawansowane narzĊdzia do modelowania obiektów, co umoĪliwia tworzenie
automation 2010
129
programowych sensorów i analizatorów. DziĊki rozbudowanemu moduáowi przetwarzania
zmiennych przy jego pomocy moĪna równieĪ áatwo budowaü symulatory procesów. System
jest przeznaczony do zastosowania w przemyĞle chemicznym, farmaceutycznym, energetycznym, hutniczym, spoĪywczym i wielu innych.
System AMANDD jest dostosowany do wspóápracy z róĪnymi zdecentralizowanymi systemami automatyki (DCS), jak równieĪ systemami nadzorowania i monitorowania procesów
(SCADA). Dane pomiarowe do systemu diagnostycznego doprowadzane są na drodze transmisji cyfrowej pomiĊdzy systemem automatyki a systemem AMANDD z wykorzystaniem
standardu OPC lub innych rozwiązaĔ komunikacyjnych.
Modelowanie i
symulacja
Detekcja i lokalizacja
uszkodzeĔ
Przetwarzanie zmiennych
oraz wirtualne
sensory i analizatowy
Wizualizacja oraz
wspomaganie decyzji
operatorów
Rys. 10. Podstawowe zadania systemu AMandD
Szczegóáowe badania systemu AMANDD przeprowadzono w laboratorium Uniwersytetu
w Lille, gdzie system wdroĪono do diagnozowania instalacji generatora pary. System zostaá
takĪe pilotowo wdroĪony w 2004 r. do diagnozowania czĊĞci instalacji IDR w zakáadzie produkcji mocznika w Zakáadach Azotowych Puáawy oraz do diagnostyki stacji wyparnej
w cukrowni Lublin [33]. W 2008 r. prowadzono pilotaĪowe testy systemu AMANDD w PKN
ORLEN na instalacji hydroodsiarczania gudronu (HOG) [27]. Zadaniami systemu jest wczesne wykrywanie i lokalizacja uszkodzeĔ urządzeĔ pomiarowych i wykonawczych w obrĊbie
pieca H302 oraz kolumny destylacji próĪniowej C303. Ma to na celu ograniczenie ryzyka
wystąpienia stanów niebezpiecznych i awaryjnych w instalacji, a tym samym związanych z
nimi przestojów. OdrĊbnym realizowanym przez system zadaniem jest monitorowanie stopnia
zakoksowania aparatów technologicznych pieca oraz kolumny destylacji próĪniowej w celu
realizacji strategii utrzymania ruchu na podstawie bieĪącej oceny stanu technicznego instalacji.
Wypracowywane diagnozy dotyczące uszkodzeĔ nagáych są prezentowane w bezpoĞrednio
w systemie AMANDD. Na schematach synoptycznych rozmieszczone są wskaĨniki odpowiadające poszczególnym uszkodzeniom, na których wyĞwietlana jest wartoĞü wskaĨnika pewnoĞci istnienia danego uszkodzenia w zakresie 0-1. JeĞli wartoĞü wskaĨnika jest wysoka, to
sáupek ilustrujący tĊ wartoĞü ma kolor czerwony. Przy niĪszych wartoĞciach przyjmuje on
kolejno kolor fioletowy, Īóáty, a przy wartoĞciach bliskich zera ma kolor biaáy. Na rys. 11
pokazano wizualizacjĊ uszkodzeĔ zaworów regulacyjnych oraz torów pomiarowych przepáywu mazutu i pary w piecu H302.
130
automation 2010
Rys. 11. Wizualizacja diagnoz
DIASTER [13,26,37] stanowi nową, rozszerzoną funkcjonalnie i programowo wersjĊ systemu
AMANDD. Jest on rozwijany przez zespóá badawczy, w skáad którego wchodzą specjaliĞci
z Politechniki Warszawskiej, Politechniki ĝląskiej, Politechniki Rzeszowskiej oraz Uniwersytetu Zielonogórskiego w ramach grantu rozwojowego: Inteligentny system diagnostyki i
wspomagania sterowania procesów przemysáowych „DIASTER”.
Gáównym zadaniem systemu DIASTER jest realizacja zaawansowanych funkcji modelowania
procesów, sterowania nadrzĊdnego, optymalizacji oraz diagnostyki procesów przemysáowych. System wyposaĪony jest w zaawansowane narzĊdzia do modelowania obiektów niezbĊdnych do celów sterowania, nadzoru, optymalizacji i diagnostyki procesów. UmoĪliwiają
one takĪe tworzenie programowych sensorów i analizatorów oraz wydobywanie wiedzy z baz
danych systemów SCADA i DCS. DziĊki rozbudowanemu moduáowi przetwarzania zmiennych procesowych moĪna realizowaü symulatory procesów. System umoĪliwia realizacjĊ
zaawansowanych algorytmów sterowania nadrzĊdnego oraz optymalizacji punktów pracy
procesów. Ponadto dostĊpne są narzĊdzia do nadrzĊdnego strojenia oraz adaptacji pĊtli regulacyjnych w sterownikach wspóápracującego systemu automatyki. W stosunku do AMANDDa
funkcje diagnostyczne zostaáy rozszerzone. Udoskonalona zostaáa takĪe platforma informatyczna systemu.
System zawiera (podobnie jak AMANDD) implementacjĊ szerokiej gamy najnowszych algorytmów z zakresu obliczeĔ inteligentnych, zastosowanych w oprogramowaniu do modelowania, sterowania nadrzĊdnego, optymalizacji, detekcji i lokalizacji uszkodzeĔ. DIASTER ze
wzglĊdu na otwartą architekturĊ umoĪliwia poáączenie z praktycznie dowolnym systemem
automatyki.
11. PODSUMOWANIE
W pracy omówiono gáówne problemy diagnostyki procesów przemysáowych. System przeznaczony do diagnozowania procesów przemysáowych powinien byü wyposaĪony w takie
algorytmy diagnozowania, które wszystkie wymienione problemy uwzglĊdniają i efektywnie
rozwiązują. Aktualnie rozwiązaĔ takich nie oferują wiodące firmy w branĪy automatyki. Systemy AMANDD oraz DIASTER są pod tym wzglĊdem unikatowe.
Systemy diagnostyczne dla procesów przemysáowych nie są jeszcze rozpowszechnione
w przemyĞle, lecz znajdują siĊ na etapie badaĔ pilotaĪowych i pierwszych wdroĪeĔ. MoĪna
przewidywaü, Īe w niedáugim czasie nastąpi gwaátowny rozwój systemów sterowania wyposaĪonych w oprogramowanie do diagnostyki procesów oraz przyrost liczby zastosowaĔ
przemysáowych. Pewną barierą utrudniającą aplikacje przemysáowe jest brak dostatecznej
automation 2010
131
liczby specjalistów w tym zakresie. Jednak obecnie na wielu uczelniach zagadnienia te są
ujĊte w programach ksztaácenia i máodzi inĪynierowie bĊdą przygotowani do podejmowania
zadaĔ związanych z bieĪącą diagnostyką procesów. Wprowadzanie systemów diagnostycznych wymuszone zostanie takĪe nowymi wymaganiami związanymi z szeroko rozumianym
bezpieczeĔstwem i ochroną Ğrodowiska naturalnego oraz dąĪeniem do redukcji strat ekonomicznych związanych z uszkodzeniami.
LITERATURA
[1] Basseville M., Nikiforov I.V. (1993). Detection of Abrupt Changes - Theory and Application. Prentice-Hall, Englewood Cliffs, NJ.
[2]
Blanke M., Kinnaert M., Lunze J., Staroswiecki M. (2004). Diagnosis and FaultTolerant Control. Springer- Verlag.
[3]
Calado J.M.F., Korbicz J., Patan K., Patton R.J., Sá da Costa J.M.G. (2001). Soft computing approaches to fault diagnosis for dynamic systems. European Journal of Control,
7 (2–3), 248–286.
Chen J., Patton R. (1999). Robust model based fault diagnosis for dynamic systems.
Kluwer Akademic Publishers, Boston.
Cholewa W., Chrzanowski P., Rogala T. (2009). Diagnostyka z zastosowaniem sieci
przekonaĔ w systemie DiaSter. W: Systemy Wykrywające, Analizujące i Tolerujące
Usterki. Pod redakcją Z. Kowalczuka, PWNT GdaĔsk, 77-84.
Frank P.M. (1987). Fault diagnosis in dynamic systems via state estimations methods.
A survey. In: System Fault Diagnostics, Reliability and Related Knowledge Based Approaches. (Eds. S.G. Tzafestas et al.), vol. 2, Dordrecht: D. Reidl Publishing Company.
Frank P.M.(1990). Fault diagnosis in dynamic systems using analytical and knowledgebased redundancy. Automatica, 26, 459-474.
Frank P.M., Marcu T. (2000). Diagnosis strategies and system: principle, fuzzy and neural approaches. Intelligent Systems and Interfaces, (Eds. Teodorescu H.-N. et al.), Boston: Kulwer.
Gertler J. (1998). Fault Detection and Diagnosis in Engineering Systems. Marcel Dekker, Inc. New York-Basel-Hong Kong.
Isermann R. (2006). Fault Diagnosis Systems. An Introduction from Fault Detection to
Fault Tolerance, New York: Springer-Verlag, 2006.
Korbicz J., KoĞcielny J.M. Kowalczuk Z., Cholewa W (Eds). (2004). Fault Diagnosis:
Models, artificial intelligence methods, applications. Springer.
Korbicz J. (2006). Robust fault detection using analytical and soft computing methods.
Bulletin of the Polish Academy Sciences. Technical Sciences, 2006, 54 (1), 75-88
Korbicz J., KoĞcielny J.M. (red.). (2009). Modelowanie diagnostyka i sterowanie nadrzĊdne procesami. Implementacja w systemie DiaSter. WNT, Warszawa.
KoĞcielny J.M. (1995). Fault Isolation in Industrial Processes by Dynamic Table of
States Method. Automatica, 31(5), 747-753.
KoĞcielny J.M., SĊdziak D., Zakroczymski K. (1999). Fuzzy Logic Fault Isolation in
Large Scale Systems. International Journal of Applied Mathematics and Computer Science, 9 (3), 637-652.
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
132
automation 2010
[16] KoĞcielny J.M.(2001): Diagnostyka zautomatyzowanych procesów przemysáowych,
Akademicka Oficyna Wydawnicza Exit, Warszawa.
[17] KoĞcielny J.M., BartyĞ M. (2003): Multiple fault isolation in diagnostic of industrial
processes. European Control Conference 2003 ECC’2003. UK, Cambridge, vol. 4, 1-6.
[18] KoĞcielny,J. M., Syfert M. (2003). Fuzzy logic application to diagnostics of industrial
processes. 5th IFAC Symposium SAFEPROCESS`2003, Washington D.C., USA, 771776.
[19] KoĞcielny J. M., Syfert M. (2006). Fuzzy Diagnostic Reasoning that Takes Into Account the Uncertainty of the Faults-Symptoms Relation, International Journal of Applied Mathematics and Computer Science, 16 (1), 27-35.
[20] KoĞcielny J.M., Syfert M., Wnuk P. (2006). Advanced monitoring and diagnostic system ‘AMandD’. A Proc. Volume from the 6th IFAC Symposium on Fault Detection,
Supervision and Safety of Technical Processes, Beijing, P.R. China, August 29September 1, Elsevier, Vol. 1, 635-640.
[21] KoĞcielny J., BartyĞ.M., Syfert M. (2006). The practical problems of fault isolation in
large scale industrial systems. Safeprocess2006 - 6th IFAC Symposium on Fault Detection, Supervision and Safety of Technical Processes, Beijing, P.R. China, August 29September 1 , CD.
[22] KoĞcielny J.M., Syfert M. (2007). The issue of symptom based diagnostic reasoning.
In:. Recent Advances in Mechatronics. (Eds. JabáoĔski R., Turkowski M., Szewczyk R.)
Springer, 167-171.
[23] KoĞcielny J.M. (2008). Problemy rozpoznawania uszkodzeĔ w procesach przemysáowych, W. Sterowanie i Automatyzacja: Aktualne problemy i ich rozwiązania. Red. K.
Malinowski, L. Rutkowski. Akademicka Oficyna Wydawnicza EXIT, Komitet Automatyki i Robotyki PAN, Polskie Towarzystwo Sieci neuronowych, 519-527.
[24] KoĞcielny J. M., Syfert M., Dziembowski B.(2008). Fault Diagnosis with Use of the
Knowledge about Symptoms Delays Interval. 17th World Congress of IFAC, Seul, July
6-11, 2008, CD.
[25] KoĞcielny J.M., Syfert M. (2009). Odporna lokalizacja uszkodzeĔ w systemie DiaSter.
W: Systemy Wykrywające, Analizujące i Tolerujące Usterki. Pod redakcją
Z. Kowalczuka, PWNT GdaĔsk, 49-56.
[26] KoĞcielny J.M.(2009). Zaawansowana diagnostyka procesów i ukáady regulacji tolerujące uszkodzenia. Przegląd Elektrotechniczny, R85, Nr 9/2009, 207-214.
[27] KoĞcielny J.M., Syfert M., LeszczyĔski M, Gąsecki A.(2009). Pilot tests of the advanced system of process diagnostics in PKN ORLEN. Pomiary Automatyka Kontrola,
vol. 55, nr 3/2009, 136-140.
[28] KoĞcielny J.M., BartyĞ M. (2009). Application of the Method of Dynamic Decomposition for Recognition of Multiple Faults in the Large Scale Systems 7th Workshop on
Advanced Control and Diagnosis, ACD”2009, 19-20 November, Zielona Góra, Poland,
CD.
automation 2010
133
[29] KoĞcielny J.M., BartyĞ M.,Syfert M. (2009). Method of Multiple Fault Isolation in Diagnostics of Large Scale Systems. 7th Workshop on Advanced Control and Diagnosis,
ACD”2009, 19-20 November, Zielona Góra, Poland, CD.
[30] Patton R.J., Lopez-Toribio C.J., Uppal F.J.(1999). Artificial intelligence approaches to
fault diagnosis for dynamic systems. Int. Jour. of Applied Mathematics and Computer
Science, 9 (3), 471-518.
[31] Patton R., Frank P., Clark R. (Eds.) (2000). Issues of fault diagnosis for dynamic systems. Springer.
[32] Piegat A. (1999). Modelowanie i sterowanie rozmyte. Akademicka Oficyna Wydawnicza EXIT, Warszawa.
[33] Syfert, M. Rzepiejewski P., Wnuk P., KoĞcielny J. M. (2005). Current diagnostics of the
evaporation station. 16th IFAC World Congress, Praga.
[34] Syfert M., KoĞcielny J.M. (2009). The issue of diagnostic reasoning in the case of variability of diagnosed system structure. W: Fault Detection, Analysis and Tolerant Systems. Edited by Z. Kowalczuk, PWNT GdaĔsk, 237-244.
[35] Syfert M., KoĞcielny J.M. (2009). Diagnostic Reasoning Based on Symptom Forming
Sequence. 7th IFAC Symposium on Fault Detection, Supervision and Safety of Technical Processes (SafeProcess 2009), June 30 - July 3, 2009 Barcelona, Spain, CD.
[36] Witczak M. (2007): Modelling and Estimation Strategies for Fault Diagnosis of NonLinear Systems. From analytical to soft computing approaches. Springer-Verlag, Berlin.
[37] Wnuk P., Syfert M., KoĞcielny J.M. (2009). Inteligentny system sterowania
i diagnostyki procesów przemysáowych DiaSter. W: Systemy Wykrywające, Analizujące i Tolerujące Usterki. Pod redakcją Z. Kowalczuka, PWNT GdaĔsk, 57-65.
„Praca naukowa finansowana czĊĞciowo ze Ğrodków na naukĊ w latach 2007-2009 jako projekt badawczy rozwojowy R01 012 02”.
134
automation 2010