System zaawansowanego monitorowania i diagnostyki procesów przemysłowych AMandD

Politechnika Warszawska Instytut Automatyki i Robotyki Jan Maciej Kościelny, Michał Syfert, Paweł Wnuk System zaawansowanego monitorowania i diagnostyki procesów przemysłowych AMandD ver..0

Plan wystąpienia 2 Informacja o zespole i laboratorium Nowe funkcje systemów automatyki Modelowanie rozmyte i neuronowe Wirtualne sensory Diagnostyka procesów przemysłowych cele i zadania Metody detekcji i lokalizacji uszkodzeń System AMandD Podsumowanie

Politechnika Warszawska - Wydział Mechatroniki 3 POLITECHNIKA WARSZAWSKA Politechnika Warszawska Wydział Architektury Wydział Chemiczny Wydział Elektroniki i Technik Informacyjnych Wydział Elektryczny Wydział Fizyki Wydział Geodezji i Kartografii Wydział Inżynierii Chemicznej i Procesowej Wydział Inżynierii Lądowej Wydział Inżynierii Materiałowej Wydział Inżynierii Produkcji Wydział Inżynierii Środowiska Wydział Matematyki i Nauk Informacyjnych Wydział Mechaniczny Energetyki i Lotnictwa Wydział Mechatroniki Wydział Samochodów i maszyn Roboczych Wydział Transportu Kolegium Nauk Społecznych i Administracji

Instytut Automatyki i Robotyki 4 Instytut Automatyki i Robotyki Instytut Inżynierii Precyzyjnej i Biomedycznej Instytut Mikromechaniki i Fotoniki Instytut Metrologii i Systemów Pomiarowych Zakład Mechaniki Stosowanej 49 pracowników 4 profesorów 2 dr hab. 6 dr 6 doktorantów

Zespół 5 prof. Jan Maciej Kościelny dr Michał Bartyś dr Michał Syfert dr Piotr Wasiewicz Paweł Wnuk Andrzej Ostasz Paweł Rzepiejewski Bolesław Dziembowski Marcin Leszczyński

Laboratorium nadzorowania i diagnozowania procesów przemysłowych 6 Obszar zainteresowań Diagnostyka procesów przemysłowych: metody detekcji i i lokalizacji uszkodzeń metody diagnozowania procesów przemysłowych metody diagnozowania urządzeń wykonawczych zastosowanie logiki rozmytej i i sieci neuronowych w algorytmach diagnostycznych diagnostyka urządzeń mechatronicznych systemy diagnostyczne Sterowanie i nadzorowanie procesów: badanie systemów sterowania tolerujących uszkodzenia zaawansowane algorytmy nadzorowania procesów (wirtualne sensory i i analizatory)

Granty Europejskie 7 Partners FP5 Research Training Network Project DAMADICS Development and Application of Methods for Actuator Diagnosis in Industrial Control Systems Great Britain, University of Hull, Department of Electronic Enginiering France, Universite Des Sciences et Technologies de Lille Spain, Universitat Politecnica de Catalunya Germany, Technische Universität Bochum Portugal, Instituto Superior Técnico Italy, Universita Degli Studi di di Genova Poland, Politechnika Zielonogórska, Instytut Robotyki i i Inżynierii Oprogramowania Poland, Sugar Factory Lublin

Granty Europejskie 8 FP5 FP5 Research and and Technological Development Project CHEM Advanced decision support system for for Chemical/Petrochemical manufacturing processes Partners France, Institut Francais du Petrole France, Universite Des Sciences et Technologies de Lille Spain, Universitat Politecnica de Catalunya Spain, Universitat de Girona Sweden, University of Lund Finland, Technical Research Center of Finland Finland, Metso Automation Finland, VTT Automation Holland, Gensym Europe France, Thomson-Detexis Norge, Computas Poland, Nitrogen Works Puławy

Inne prace badawcze 9 Przykłady FP4 Research Training Network Project - COPERNICUS IQ2FD Integration on Quantitative and Qualitative Fault Diagnosis Method within the Framework of Industrial Application Metody diagnostyki on-line elementów wykonawczych. Opracowanie inteligentnego pozycjonera wyposażonego w funkcje zespołu siłownik - zawór Układ sterowania turbiną kondensacyjną odporny na uszkodzenia torów pomiarowych. Diagnostyka obiektów złożonych z wykorzystaniem modeli lokalnych i i logiki rozmytej.

Współpraca z przemysłem 0 Cukrownie Zakłady Chemiczne Elektrownie i elektrociepłownie

Laboratorium Instalacja laboratoryjna do badań metod diagnostyki

Laboratorium 2

Laboratorium przemysłowe (Cukrownia Lublin) 3 Struktura Proces technologiczny w cukrowni System sterowania i i monitorowania Industrial IT (zainstalowany na potrzeby badań urządzeń wykonawczych) System diagnostyczny AMandD Dostęp do wszystkich danych z procesu przez system sterowania w cukrowni (sterowniki GE-FANUC i i system SCADA OSA-2) GE FANUC OSA-2 IndustrialIT

Plan wystąpienia 4 Informacja o zespole i laboratorium Nowe funkcje systemów automatyki Modelowanie rozmyte i neuronowe Wirtualne sensory Diagnostyka procesów przemysłowych cele i zadania Metody detekcji i lokalizacji uszkodzeń Nasze podejście do diagnostyki procesów System AMandD Podsumowanie

Nowe funkcje systemów automatyki 5 modelowanie procesów wirtualne sensory i analizatory zaawansowane sterowanie optymalizacja bieżąca diagnostyka procesu, urządzeń pomiarowych, wykonawczych symulatory procesów monitorowanie sprawności urządzeń, emisji bieżąca analiza bezpieczeństwa Wykorzystanie nowych technik przetwarzania sygnałów: sieci neuronowych logiki rozmytej i i zbiorów przybliżonych algorytmów genetycznych systemów eksperckich

Zaawansowane sterowanie 6 regulatory stanu regulatory predykcyjne regulatory adaptacyjne regulatory rozmyte regulatory neuronowe układy regulacji tolerujące uszkodzenia torów pomiarowych i i elementów wykonawczych Klasyczny układ regulacji Regulator predykcyjny Connoiseur Advanced Control para FIC TI FT produkt

Optymalizacja 7 Optymalizacja spalania w kotłach energetycznych Algorytm optymalizacji Model procesu Warstwa walidacji DCS PROCES Kryteria: minimalizacja emisji: NOx, CO, (S02) wzrost sprawności (strata kominowa,węgiel w popiele)

Wirtualne sensory 8 Rekonstrukcja sygnału na podstawie modelu PV t Uszkodzenie toru pomiarowego

Wirtualne analizatory 9 Laboratorium (dane odniesienia) DCS Programowy analizator spalin

Diagnostyka w układach automatyki 20 Diagnostyka komunikacji w systemie Diagnostyka elektronicznych modułów systemu sterującego Diagnostyka inteligentnych urządzeń pomiarowych i i wykonawczych Diagnostyka procesu Level 4 Level 3 Process Fis her Level 2 Actuators, Elements Valves, Connections Level Electronics Communications Fis her

Diagnostyka inteligentnych urządzeń polowych 2 Kalibracja, konfiguracja Diagnostyka Profilaktyczna obsługa na podstawie diagnostyki Automatyczna dokumentacja AMS Asset Manager PKS TROVIS- EXPERT

22 Systemy diagnostyczne dla procesów przemysłowych Zadaniem systemów diagnostycznych dla procesów przemysłowych jest wczesne i i dokładne rozpoznawanie nieprawidłowych stanów procesu oraz uszkodzeń urządzeń technologicznych, wykonawczych i i pomiarowych Detekcja uszkodzeń alarmy Identyfikacja uszkodzeń diagnozy Komputerowy system automatyki Doradztwo w stanach awaryjnych operator Systemy: MODI KNOBOS DIAG (AMandD) ASM (2004) Nowy moduł G2 (2004) Proces

Systemy ekspertowe 23 Program komputerowy, który na podstawie szczegółowej, specyficznej wiedzy z danej dziedziny, przechowywanej w systemie komputerowym, może podejmować decyzje i wyciągając wnioski, działając w sposób zbliżony do procesu rozumowania człowieka Użytkownik Układ wnioskujący Baza wiedzy Interfejs użytkownika Układ objaśniający Baza danych Struktura systemu ekspertowego

Plan wystąpienia 24 Informacja o zespole i laboratorium Nowe funkcje systemów automatyki Modelowanie rozmyte i neuronowe Wirtualne sensory Diagnostyka procesów przemysłowych cele i zadania Metody detekcji i lokalizacji uszkodzeń System AMandD Podsumowanie

6 k k 6 i 9 Modelowanie rozmyte i neuronowe 25 Modele fizyczne Modele liniowe u y L(y, u) P(y, u) + - r wejście u uszkodzenia zakłócenia f d Proces G(s) wyjście y residuum r wejście f Proces Model d wyjście + residuum - H Modele neuronowe Modele rozmyte x x 2 x 3 x 4 y y 2 x x2 w c wc wc Σ Σ Σ Σ Σ Σ wg w g wg f f f f f f τ τ τ τ τ τ τ τ wf wf wf Σ y τ x N (Α) (Β) ( C ) ( D ) ( E) Zastosowanie: redundancja analityczna, detekcja uszkodzeń, sterowanie, optymalizacja

x 2 x 3 x W 3 W 2 W b Sztuczne sieci neuronowe Σ u f(u) y Neuron 26 x n W n Model neuronu Funkcja aktywacji u = W x f ( u) n i= i i + = + e x b f(u) 0.8 0.6 0.4 0.2 0-8 -4 0 4 8 u

Struktura jednokierunkowej sieci neuronowej 27 Wejścia x x 2 Wyjścia y x 3 y 2 x 4 y M x N Warstwa wejściowa Warstwa ukryta Warstwa wyjściowa

Metoda uczenia sieci neuronowych 28 x Zbiór uczący t W y e = t - y Algorytm uczenia (propagacja wsteczna błędu) e

Modelowanie neuronowe obiektów 29 Sygnał sterujący Przepływ Różnica ciśnień Sieć neuronowa

Neuronowy model zaworu wody wtryskowej 30 Zawór + Serwomotor ( P W U(X) F W ) F = k W f ) k k U, P W Perceptron wielowarstwowy 2-6-3- Jakość modelowania 4 Przepływ F W F * W 3 2 0 9 8 t [s] 7 2600 2700 2800 2900 3000 300 3200 3300 3400 3500 3600

Zalety modelowania neuronowego 3 Możliwość uczenia na podstawie danych pomiarowych Zdolność uogólniania wiedzy Możliwość odwzorowania nieliniowych zależności Możliwość odwzorowania bardzo złożonych funkcji Wada: model jest czarną skrzynką wagi nie mają interpretacji fizycznej

Przynależność do zbioru w logice rozmytej Logika klasyczna 32 Wsp. przynależności do zbioru M S D 0 50 00 temeratura Logika rozmyta Wsp. przynależności do zbioru M S D 0 50 00 temeratura

Struktura systemu rozmytego 33 Wejścia ciągłe Stopnie przynależności Stopnie aktywacji reguł Wyjście ciągłe x x 2 Rozmywanie Wnioskowanie Wyostrzanie y (fuzyfikacja) (inferencja) (defuzyfikacja) x n x i Reguły x i =A Jesli ( x = M) ( x2 to( y = S) = S)... ( x n = D) Y µ 0

Modele TSK 34 Połączenie modelowania rozmytego i analitycznego Reguły: Jesli ( x = A i) ( x2 = A2 j ) to( y = a ix + a2 jx2 + b ij ) X X 2

Rozmyty model zaworu wody wtryskowej 35 Zawór + Serwomotor P W ( U(X) F W ) F = k W f ) k k U, P W Rozmyta siec neuronowa 7 6 5 Fw2 [t/h] 4 3 2 0-200 250 300 350 400 450 500 550 600 650 700 k

Rozmyty model schładzacza 36 Zawór + Serwomotor F P T P T P P P2 = f ( TP,FP, FW ) F W,T W,P W ) Jakość modelowania 420 Temperatura T P2 T P2 * 400 380 360 50 Błąd względny [%] t [s] 0-50 0 500 000 t [s]

Rozmyty model strumienia masy pary Rozmyta sieć neuronowa m DTt = f ( YH, m DTt ) t 37

Rozmyty model mocy czynnej 38 Rozmyta siec neuronowa Λ P t = f ( m DTt, Pt )

Zalety modelowania rozmytego 39 Możliwość przetwarzania informacji niepewnej i nieprecyzyjnej Możliwość odwzorowania nieliniowych zależności Możliwość wykorzystania wiedzy ekspertów Możliwość uczenia na podstawie danych pomiarowych Model nie jest czarną skrzynką Ograniczenie: przekleństwo rozmiaru Rozmyte sieci neuronowe: połączenie logiki rozmytej i uczenia neuronowego

Wirtualne sensory 40 Rekonstrukcja sygnału na podstawie modelu PV t Uszkodzenie toru pomiarowego

Wirtualne sensory Symulacja uszkodzenia toru pomiarowego mocy czynnej 4

Dynamiczne nadzorowanie punktu pracy 42 Wyznaczanie residuów na bazie modeli P zmienne procesowe Proces Model cząstkowy Model Model - R residua Zmienne wyliczane Idea modeli cząstkowych R R R T P T P P P T P2 T P2 T P3 T P3 F P P P2 Wtryskiwacz F W P W Zawór wody wtryskowej X M Serwomotor Przegrzewacz U Przykładowe modele cząstkowe: X F T T W P2 P3 = = = = f ( U ) f ( X, PW, P ) f ( TP, FP, FW ) f ( T,K) P2

Plan wystąpienia 43 Informacja o zespole i laboratorium Nowe funkcje systemów automatyki Modelowanie rozmyte i neuronowe Wirtualne sensory Diagnostyka procesów przemysłowych cele i zadania Metody detekcji i lokalizacji uszkodzeń System AMandD Podsumowanie

Bieżąca diagnostyka procesu 44 Systemy: MODI KNOBOS DIAG (AMandD) ASM (2004) Nowy moduł G2 (2004) Sygnały pomiarowe i sterujące Detekcja uszkodzeń Symptomy Proces Lokalizacja uszkodzeń Diagnozy

Przyczyny i skutki stanów awaryjnych 45 złożoność systemu koncentracja sprzętu błędy obsługi uszkodzenia stany awaryjne straty ekonomiczne skażenie środowiska zagrożenie życia ludzkiego nagromadzenie alarmów przeciążenie informacyjne operatorów błędy obsługi

Alarmy w systemach automatyki 46 Wady systemów alarmowych: duża liczba alarmów sygnalizowanych w krótkim przedziale czasu - zjawisko przeciążenia informacyjnego operatorów, brak możliwości detekcji uszkodzeń parametrycznych, duże opóźnienia detekcji, brak mechanizmów formułowania diagnoz o uszkodzeniach niedogodności sposobu prezentacji alarmów uszkodzenie objawia się wystąpieniem wielu alarmów na różnych obrazach alarmy będące skutkiem różnych uszkodzeń sygnalizowane mogą być równocześnie na tym samym obrazie Lista alarmów REG SP L Wyciek

Wczesne rozpoznawanie uszkodzeń 47 Zadziałanie blokady Alarm Granica bezpieczeństwa Granica alarmowa Pv Diagnoza Uszkodzenie t

Specyfika diagnostyki procesów przemysłowych 48 Obiekty diagnozowania złożone instalacje technologiczne w przemyśle chemicznym, energetycznym, hutniczym itp. Realizacja diagnostyki na bieżąco w trakcie trwania procesu Wykorzystanie wyłącznie danych roboczych brak możliwości zakłócania przebiegu procesu Bardzo duża liczba możliwych uszkodzeń rozumianych jako wszelkiego rodzaju zdarzenia destrukcyjne Brak danych pomiarowych dla stanów awaryjnych Awarie występujące po raz pierwszy powinny być rozpoznawane W systemach DCS i SCADA dostępne są duże zbiory danych pomiarowych przydatnych do budowy modeli

Plan wystąpienia 49 Informacja o zespole i laboratorium Nowe funkcje systemów automatyki Modelowanie rozmyte i neuronowe Wirtualne sensory Diagnostyka procesów przemysłowych cele i zadania Metody detekcji i lokalizacji uszkodzeń System AMandD Podsumowanie

Ogólny schemat diagnozowania 50 Z wykorzystaniem modeli procesów Bez wykorzystania modeli procesów F - uszkodzenia F - uszkodzenia U - wejścia PROCES Proces Y - wyjścia U - wejścia PROCES Proces Y - wyjścia Model obiektu Generacja residuów Klasyfikator U Y S Generacja sygnałów diagnostycznych R - residua detekcja uszkodzeń S - sygnały diagnostyczne Klasyfikator R S Ocena wartości residuów Relacja S F Lokalizacja uszkodzeń Relacja S F Lokalizacja uszkodzeń S - sygnały diagnostyczne F - uszkodzenia F - uszkodzenia

6 k k 6 i 9 Metody detekcji uszkodzeń 5 Metody bazujące na kontroli parametrów zmiennych procesowych Kontrola ograniczeń wartości zmiennych procesowych Metody analizy sygnałów Metody bazujące na kontroli związków między zmiennymi procesowymi Kontrola prostych relacji Zastosowanie modeli analitycznych Zastosowanie modeli neuronowych Zastosowanie modeli rozmytych wejście f d Proces Model H wyjście + residuum - x x 2 x 3 x 4 x N y y 2 x x2 wc w c wc Σ Σ Σ Σ Σ Σ wg wg wg f f f f f f (Α) (Β) ( C ) ( D ) ( E) τ τ τ τ τ τ τ τ τ wf w f w f Σ y

Kontrola prostych relacji między zmiennymi 52 redundancja sprzętowa kontrola sygnałów sprzężeń zwrotnych kontrola relacji między wartościami zmiennych kontrola związków statystycznych między zmiennymi water vapour water vapour T 0 P T 3 T 2 Z water Y L A 0 I F T T 4 A syrup Z2 syrup liquid water vapour

Zastosowanie modeli do detekcji uszkodzeń 53 u Proces y Model procesu y m r Ocena residuów S Detekcja uszkodzeń

Modele cząstkowe zespołu zawór wody wtr. + schładzacz 54 Ciąg parowy Pomiary redundantne T P T P R T P2 T P2 R F P P P Model schładzacza F W Model zaworu wody wtryskowej M U P W T W Modele cząstkowe zespołu X Model serwomotoru

Modele cząstkowe i testy diagnostyczne 55 Zawór + Serwomotor Schłądzacz F P P W T P U(X) F W T P2 ) U = f ) F = f W ( X ) 2 ) T = P2 ( X, P ) f 3 W ( T,P,F,F, T ) P P P W W Zbiór uszkodzeń F k f f 2 f 3 f 4 f 5 f 6 f 7 Uszkodzenia Uszkodzenie toru pomiarowego T P Uszkodzenie toru pomiarowego T PR Uszkodzenie toru pomiarowego T P2 Uszkodzenie toru pomiarowego T P2R Uszkodzenie toru pomiarowego F P Uszkodzenie toru pomiarowego P P Uszkodzenie toru pomiarowego X P P F W,T W,P W f 8 f 9 Uszkodzenie toru pomiarowego F W Uszkodzenie toru pomiarowego P W f 0 Uszkodzenie toru pomiarowego T W f Uszkodzenie siłownika f 2 Uszkodzenie zaworu wody wtryskowej f 3 Uszkodzenie wtryskiwacza Bazujące na modelach redundancja sprzętowa Zbiór residuów R j r r 2 r 3 r 4 r 5 Algorytm generacji residuum ) r = X X ) r2 = FW FW ) r = T 3 P 2 TP 2 4= TP TPR 5 = TP2 TP2R r r r r 2 r 3 r 4 r 5 Wnioskowanie f f 2 f 3 f 4 f 5 f 6 f 7 f 8 f 9 f 0 f f 2 f 3

Metody lokalizacji uszkodzeń 56 Metody wnioskowania automatycznego Drzewa diagnostyczne Wnioskowanie logiczne, rozmyte (metody DTS, F-DTS, T-DTS) Regułowe systemy eksperckie Metody rozpoznawania wzorców Klasyfikatory klasyczne Klasyfikatory neuronowe Klasyfikatory rozmyte

Metody lokalizacji uszkodzeń 57 Metody pozyskiwania wiedzy o relacji uszkodzenia - symptomy Na podstawie struktury modeli matematycznych tworzonych z uwzględnieniem wpływu uszkodzeń x ( k + ) = Ax( k) + Bu( k) + Ed( k) + Ff( k) y ( k) = Cx( k) + y y ( s) = G ( s) u( s) + G ( s) f( s) i i Fi Na podstawie danych wzorcowych - uczenie r 2 f 2 f 3 f r S/ Na podstawie wiedzy eksperckiej F s f f 2... f k... f K Reguły: Jeśli symptomy... to uszkodzenie.. s 2... s j... s J V kj

Wnioskowanie diagnostyczne Równoległe 58 Wartości wzorcowe Bieżące wartości F/ S S S j f... f k 0... f K ROZPOZNAWANIE OBRAZÓW Sygnały diagn. v... v j... s J V K J v J Sygnatura uszkodzenia Bieżące wartości Diagnoza V = v( s v( s v(... s 2 ) v ) v2... ) DGN = { f F :( V ( f ) V )} J v J V ( f k ) k k = = V j: s j S [ v j ( f k ) = v j ]

Wnioskowanie diagnostyczne Równoległe 59 Przykład Wartości wzorcowe Bieżące wartości f f 2 f 3 f 4 f 5 f 6 f 7 f 8 f 9 f 0 f f 2 f 3 f 4 S s s 2 s 3 s 4 s 5 DGN= {f, f 4 }

Metody diagnostyki procesów przemysłowych 60 u Proces PROCES Obserwator NW Obserwator NW2 2 y y 2 y m y u Logika y 2 diagnozy u wejścia PROCES Proces Sieć Sieć Obserwator neuronowa NW neuronowa NW nr nr y 3 2 UCZENIE wyjścia + residua r Sieć uszkodzenie Obserwator neuronowa NW nr 2 f UCZENIE baza sygnatur uszkodzeń Obserwator NWm m y m wejścia/ wyjścia obiektu uszkodzenia u Proces y Model rozmyty r s f Warunki PROCES normalne y 0 r 0 Proces Model rozmyty n r J Rozmyta ocena residuów s J Wnioskowanie rozmyte δ [0,] Diagnozy f k Uszkodzenie PROCES PROCES Uszkodzenie n y y n r r n Klasyfikator PROCES f Relacja symptomyuszkodzenia δ K [0,] Generacja residuów Ocena residuów

Problemy praktyczne 6 Brak pomiaru ważnych zmiennych procesowych Sprzeczność między dążeniem do wczesnego wykrywania małych uszkodzeń a możliwością powstawania fałszywych alarmów Uzyskanie zadawalającej rozróżnialności uszkodzeń Niepewności symptomów i związku uszkodzeniasymptomy Uszkodzenia wielokrotne Zmienność struktury obiektu Dynamika powstawania symptomów Bardzo duża liczba możliwych uszkodzeń Niejednakowy stopień wiedzy o różnych częściach obiektu diagnozowania potrzeba integracji różnych metod Konieczność diagnozowania zdecentralizowanego

Lokalizacja uszkodzeń z zastosowaniem logiki rozmytej 62 Proces Model rozmyty M Model neuronowy J - - r M r J Rozmyta ocena residuów s M s J Wniosko wanie rozmyte f M f K δ [ 0, ] Diagnozy δ K [ 0, ] Relacja symptomy uszkodzenia Element bazy wiedzy

Rozmyta ocena residuów 63 u Proces y r µ + 0 s Model procesu y m r Ocena residuów S 0 0 t Detekcja uszkodzeń Trójwartościowa ocena residuów - { < µ 0>, < µ, + >, <, > } s µ j = j,0, j, + j, r Positive values P 0 Close to zero values Negative values Z N

Reguły wnioskowania 64 wartości wzorcowe F/ S f... f k... f K S V k... S j V kj... s J V kj V KJ Sygnatura uszkodzenia Reguły ( s = v k ) ( s 2 = v k 2 )... ( s J = Jesli v ) to kj f k Reguły sprzeczne dla uszkodzeń nierozróżnialnych

Stopień spełnienia przesłanki 65 Reguła Jesli Przesłanka prosta ( s = + ) ( s2 = 0)... ( s J = ) to f k r µ + 0 s µ (, s ) = f k 0.75 0 0 t -

Stopień aktywacji reguły 66 Jesli ( s = vk) ( s2 = vk 2)... ( sj = v kj ) to f k Rozmyta koniunkcja stopni spełnienia przesłanek µ f ) = µ ( f, s ) µ ( f, s )... µ ( f ( k k k 2 k, sj ) Operator PROD µ f ) = µ ( f, s ) µ ( f, s )... µ ( f ( k k k 2 k, sj ) Operator MIN µ f ) = MIN{ µ ( f, s ), µ ( f, s ),... µ ( f ( k k k 2 k, sj )}

Wnioskowanie rozmyte - przykład 67 Jesli ( s = 0) ( s2 = + ) ( s3 = ) ( s4 = 0) to f k r + 0 0 t µ (, s ) = f k 0.9 - r 2 µ i + 0 0 t µ (, s2 ) = 0.9 f k - r 3 µ 2i + 0 0 t µ (, s3 ) = f k - r 4 µ 3i + 0 0 t µ (, s4 ) = 0.6 f k µ 4i - µ ( ) 0.9 0.9 0.6 = 0.486 f k PROD =

Diagnozy 68 Diagnoza Wizualizacja diagnoz DGN { < f, µ ( f ) > : µ ( f ) > 0} = k k k DGN= { < f, µ ( f ) > : µ ( f ) M} k k k > Przykład: DGN= { < f3,0.2>, < f8,0.67> }

Plan wystąpienia 69 Informacja o zespole i laboratorium Nowe funkcje systemów automatyki Diagnostyka procesów przemysłowych cele i zadania Metody detekcji i lokalizacji uszkodzeń Nasze podejście do diagnostyki procesów System AMandD Podsumowanie

Funkcje systemu AMandD 70 Modelowanie i symulacja obiektów Wirtualne sensory i analizatory Detekcja uszkodzeń (aparatury technologicznej, urządzeń pomiarowych i wykonawczych) Lokalizacja uszkodzeń Graficzna prezentacja diagnoz Wspomaganie decyzji zabezpieczających obiekt Archiwizacja diagnoz Alarmy przesyłane w sieci GSM Uzasadnianie diagnoz Raporty diagnostyczne

Akwizycja danych 7 Na drodze transmisji cyfrowej system AMandD pobiera dane z systemu sterowania i monitorowania (DCS, SCADA) - wykorzystanie technologii OPC

AMandD struktura systemu (on-line) 72 Proces (DCS, SCADA) Serwer OPC Moduły IO OPCLink Nadzorca Moduły obliczeniowe MITforRD RTS (symulator modeli) ihistorian OleDBLink ifuzzyfdi RTFI (moduł diagnostyczny) Moduły użytkowe InView (wizualizacja) Komunikacja XMLBlaster (serwer komunikacji) Natywny serwer komunikacji Tory przetwarzania zmiennych Archiwizator Archiwa Dane archiwalne (baza danych SQL) Dane konfiguracyjne (XML) Moduły dodatkowe CCOMScan (monitoring komunikacji) PVPlayer (odtwarzanie archiwów) Inni użytkownicy Pliki danych archiwalnych Platforma CHEM (G2) DTM (tymczasowe archiwum) CCUI (wizualizacja) RTM (nadzorca)

AMandD struktura systemu (off-line) 73 Archiwa Dane archiwalne (baza danych SQL) Dane konfiguracyjne (XML) Moduły konfiguracyjne AMandD Config Pliki modeli MITforRD Config ifuzzyfdi Config OPCLink Conf OleDBLink Conf MITforRD Model Builder (budowa modeli) Pliki danych archiwalnych Serwer OPC Archiwa (DCS, SCADA) ihistorian

XMLBlaster 74

AMandD przyjęty schemat diagnozowania 75 u PROCES ŷ - + y r Residuum - różnica pomiędzy wartością mierzoną i symulowaną ifuzzy-fdi: Detekcja Lokalizacja Model cząstkowy Model cząstkowy Model cząstkowy ŷ Generacja residuów i odtwarzanie zmiennych procesowych Symulowane zmienne procesowe Ocena residuów s MITforRD Diagnosis Identyfikacja Symulacja Generowanie residuów DGN Wnioskowanie rozmyte Detekcja i lokalizacja uszkodzeń

Model Identification Tool for Reconstruction and Diagnosis 76

MITforRD główne funkcje oprogramowania 77 Generacja residuów w oparciu o identyfikowane modele Identyfikacja Symulacja off-line MI/A-0 on-line GR/A-0

MITforRD komponenty 78 Aplikację można podzielić na następujące części: Model Builder narzędzie do identyfikacji modeli Real Time Simulator symulator on-line obliczający wyjścia z modeli oraz residua RTS Configurator narzędzie do zarządzania modelami w konfiguracji systemu AMandD Środowisko: Aplikacja pracująca pod kontrolą systemu MS Windows, Współpraca z innymi modułami systemu AMandD odbywa się poprzez przesyłanie komunikatów w formacie XML przy wykorzystaniu XML Blaster-a,

MITforRD Model Builder 79 MITforRD Model Builder Przetwarzanie danych Identyfikacja Weryfikacja Akwizycja, wyświetlanie, analiza i przetwarzanie wstępne danych Główny moduł programu. Pozwala na zdefiniowanie struktury modelu i estymację współczynników. Symulacja modeli dla archiwalnych danych Model Builder zbudowany jest w oparciu o technologię plugin-ów. Dzięki temu możliwa jest rozbudowa programu przez niezależne grupy programistów.

MITforRD przetwarzanie danych 80 Właściwości: Otwarta architektura. W główny program wbudowane są jedynie obiekt przechowujący dane archiwalne, wizualizacja oraz manager plugin-ów. Pozostałe funkcje importu, analizy i i przetwarzania danych dostarczane są w postaci plugin-ów. Taka budowa programu umożliwia osiągnięcie maksymalnej elastyczności i i łatwości rozbudowy. Wbudowane zaawansowane wyświetlanie danych archiwalnych. Plugin-y umożliwiające import-eksport danych, wyświetlanie spektrum, histogramów, filtrację, uśrednianie itp.

MITforRD identyfikacja 8 Właściwości: Wspólna struktura modelu MIMO. Struktura ta jest opakowaniem na modele MISO różnych typów. Otwarta architektura. Samokonfigurowalne rozproszone środowisko obliczeniowe. Prosty interfejs użytkownika. Możliwość identyfikacji statycznych i i dynamicznych modeli różnych typów.

MITforRD identyfikacja 82 Modele: Zarówno modele statyczne, jak i i uwzględniające dynamikę procesu. Klasyczne modele liniowe. Modele wielomianowe zarówno identyfikacja struktury wielomianu, jak i i estymacja współczynników. Modele w formie sztucznych sieci neuronowych Modele rozmyte o strukturze TSK, z identyfikowaną strukturą, parametrami rozmywania, jak i i współczynnikami. Modele rozmyte TSK z funkcją następnika w formie wielomianu. Szeroka gama algorytmów identyfikacji poczynając od klasycznej regresji, a kończąc na zaawansowanych algorytmach ewolucyjnych.

MITforRD rozproszone środowisko obliczeniowe 83 Parametry identyfikacji Przetworzone dane archiwalne Lokalny serwer obliczeń Manager Lokalny komputer PC Serwer TCP Klient TCP Klient TCP Serwer obliczeń Zdalny serwer obliczeń Serwer obliczeń 2 Zdalny serwer obliczeń

MITforRD podsumowanie 84 MITforRD jest jednolitą aplikacją zawierającą możliwości niedostępne razem w innych programach: Wspólny interfejs do wielu typów modeli, Łatwość użytkowania nie jest wymagana znajomość programowania, Wymaganie od użytkownika jedynie podstawowej wiedzy z dziedziny identyfikacji, Wykorzystanie wielu PC w celu przyspieszenia obliczeń, Pewne algorytmy identyfikacje zostały opracowane tylko i i wyłącznie dla MITforRD-a.

Fuzzy Logic Based Fault Detection and Isolation 85

ifuzzyfdi główne funkcje oprogramowania 86 Detekcja i lokalizacja uszkodzeń Konfiguracja Wnioskowanie off-line MI/A-0 on-line GR/A-0

ifuzzyfdi detekcja i lokalizacja 87 MITforRD L=f(F) Inne moduły - + Residua Sygnały diagnostyczne Bieżąca diagnostyka bazująca na logice rozmytej. Rozpoznawanie różnego rodzaju uszkodzeń. Podczas konfiguracji wymagane są są jedynie dane archiwalne z normalnej pracy instalacji oraz wiedza ekspercka. r R Diagnoza zbiór współczynników pewności uszkodzeń S 2 S 3 S 4 S 5 f (2,3) (3,4) (0, inf) ifuzzyfdi S f 2 S f 5 (0,0) (0, inf) 0 f 3 (0, inf) (0, inf) DGN f 4 (0,5) r (0,0) (0,0) (0,0) Konfiguracja zbiorów rozmytych Relacja uszkodzeniasymptomyczas

ifuzzyfdi dlaczego logika rozmyta? 88 Główne problemy diagnostyki złożonych procesów przemysłowych: obecność zakłóceń pomiarowych, niedokładne pomiary niedostępność analitycznych modeli procesu trudność określenia wartości progowych, których przekroczenie świadczy o wystąpieniu uszkodzenia niepewność symptomów uszkodzeń niepewność co do relacji pomiędzy symptomami (wartościami residuów) a uszkodzeniami Logika rozmyta jest szczególnie przydatna w przetwarzania informacji niepewnej i nieprecyzyjnej. Dodatkowo, jest ona intuicyjnie zrozumiała i łatwa w implementacji.

ifuzzyfdi komponenty 89 Aplikację można podzielić na następujące części: Real Time Fault Isolator moduł obliczeniowy realizujący w trybie on-line zadania detekcji i i lokalizacji uszkodzeń FIS Configurator moduł konfiguracyjny służący do wprowadzania parametrów rozmytej oceny residuów i i reguł wnioskowania diagnostycznego Środowisko: Aplikacja pracująca pod kontrolą systemu MS Windows, Współpraca z innymi modułami systemu AMandD odbywa się poprzez przesyłanie komunikatów w formacie XML przy wykorzystaniu XML Blaster-a,

ifuzzyfdi rozmyta ocena residuów 90 W stanie bez uszkodzeń wartość rsiduum jest bliska zera Chwila wystąpienia uszkodzenia r Wartości dodatnie P r 0 Wartości bliskie zeru Z S Wartości ujemne N Detekcja przekroczenie ustalonego poziomu granicznego Symptom w wyniku wystąpienia uszkodzenia residuum przyjmuje wartości niezerowe W czasie rzeczywistym wyznaczane są wartości funkcji przynależności w oparciu o ostre wartości residuów. W oparciu o ich rozmytą reprezentację dokonywana jest detekcja uszkodzeń.

ifuzzyfdi konfiguracja oceny residuów 9 W procesie konfiguracji użytkownik definiuje parametry zbiorów rozmytych opisujących rozmytą reprezentację residuów Zbiory rozmyte opisujące warości residuum w stanie z uszkodzeniami Residuum w stanie bez uszkodzeń Pojedynczy zbiór rozmyty dla stanu normalnego 5 R [%] 0 5 0-5 -0-5 t [s] 2000 4000 6000 8000 000020004000 Rozmyte przełącznie obszarów pozwala uwzględnić niepewności residuum

ifuzzyfdi definiowanie reguł diagnostycznych 92 X U F L Modele cząstkowe F=f(X) F ) + L=f(F,L) Lˆ + IF IF residual residual (F-F^) (F-F^) has has close closeto to zero zero value valueand residual residual (L-L^) (L-L^) has has negative negative value value THEN THEN L sensor sensor fault faultor OR tank tank leakage leakage r r 2 IF IF residual residual (F-F^) (F-F^) is is positive positiveor OR negative negativeand residual residual (L-L^) (L-L^) has has close closeto to zero zero value value THEN THEN X sensor sensor fault fault PROCES Reguły diagnostyczne definiują w prosty sposób relację pomiędzy uszkodzeniami a obserwowanymi symptomami. Są one ustalane podczas konfiguracji na podstawie: wiedzy eksperta o procesie struktury residuów

ifuzzyfdi wnioskowanie on-line 93 f 5 N S (2,3) S 2 S 3 S 4 S S 3 4 = = f N (3,4) { N,0, Z,0, P, } { N,0.9, Z,0., P,0 } f 2 P (0,0) N (0, inf) f 3 P (0, inf) N (0, inf) f 4 P (0,5) P (0,0) N (0,0) Sygnały diagnostyczne rozmyta reprezentacja wartości residuów Lokalizacja uszkodzeń prowadzone jest z wykorzystaniem wnioskowania rozmytego. Na podstawie obserwowanych symptomów z wykorzystaniem wprowadzonych reguł diagnostycznych wyznaczane są współczynniki pewności uszkodzeń. S 5 N (0, inf) N (0,0) Diagnoza w postaci zbioru możliwych uszkodzeń wraz ze współczynnikami pewności

ifuzzyfdi właściwości algorytmu FDI 94 Dostosowany do diagnostyki procesów złożonych Możliwość uwzględnienia różnego rodzaju niepewności Możliwość uwzględnienia dynamiki pojawiania się symptomów Automatyczna rekonfiguracja w przypadku zmiany zbioru dostępnych zmiennych procesowych oraz residuów Łatwa możliwość rozbudowy FIS w czasie eksploatacji Dwupoziomowa, hierarchiczna struktura algorytmu (możliwość uwzględnienia dekompozycji systemu) Możliwość detekcji uszkodzeń niezdefiniowanych w procesie konfiguracji Wnioskowanie szeregowo-równoległe (pochodna metod TDS, F-DTS, T-DTS) Dynamiczne tworzenie wątków lokalizacji możliwość lokalizacji uszkodzeń krotnych

Pozostałe moduły systemu 95 CCOMScan śledzenie i przechwytywanie komunikatów PVGraber zapis danych archiwalnych PVPlayer odtwarzanie danych archiwalnych OPCLink OleDBLink DTMLink moduły wejść / wyjść (do serverów OPC, OLE DB) InView wizualizacja zmiennych systemowych SysBuilder zintegrowany konfigurator WebPoster serwer stron WWW

Pilotowe aplikacje systemu AMandD 96 Zakłady Azotowe Puławy LAIL generator pary Cukrownia Lublin Laboratorium IAiR

Pilotowa aplikacja dla generatora pary w LILE 97

Pilotowa aplikacja dla generatora pary w Lille 98 Stan bez uszkodzeń

Pilotowa aplikacja dla generatora pary w Lille 99 Wizualizacja uszkodzenia wyciek ze zbiornika lub uszkodzenie toru pomiarowego L

Aplikacja dla Generatora Pary w LAIL 00 4. 3.. 2. W instalacja wydzielić można cztery zasadnicze części:. zbiornik wraz z systemem dostarczającym wodę 2. boiler ogrzewany 55kW rezystorem termicznym 3. ciąg parowy 4. złożony kondenser z wymiennikiem ciepła Dostępne są 30 zmienne procesowe, rozważane są 23 uszkodzenia torów pomiarowych, elementów wykonawczych oraz komponentów instalacji technologicznej.

Współpraca modułów w trybie on-line 0 Steam Generator (+PANORAMA) DTM DTMLink MITforRD Real Time Simulator. 2. 3. 4. ifuzzyfdi Real Time Fault Isolator. Zmienne procesowe dostarczane są do moduły symulatora 2. Moduł symulatora wyznacza symulowane zmienne procesowe oraz residua 3. Residua bazujące na modelach dostarczane są do moduły diagnostycznego 4. Moduł diagnostyczny wyznacza współczynniki pewności uszkodzeń 5. Wszystkie zmienne dostarczane są do modułu wizualizacji 5. InView

Scenariusz uszkodzeń (AMandD_demo.avi) 02 Zademonstrujemy scenariusz uszkodzeń krotnych: najpierw pojawi się uszkodzenie Tank leakage Następnie wprowadzone zostanie uszkodzenie T6 sensor fault

Właściwości eksploatacyjne 03 Diagnozowanie instalacji złożonych Możliwość stałej rozbudowy w trakcie eksploatacji Uwzględnienie niepewności wykrywanych symptomów Uwzględnienie niepewności relacji symptomy - uszkodzenia Prawidłowe wnioskowanie (automatyczna adaptacja) przy zmianach zbioru dostępnych sygnałów pomiarowych Uwzględnienie dynamiki rozprzestrzeniania się symptomów awarii

Plan wystąpienia 04 Informacja o zespole i laboratorium Nowe funkcje systemów automatyki Diagnostyka procesów przemysłowych cele i zadania Metody detekcji i lokalizacji uszkodzeń Nasze podejście do diagnostyki procesów System AMandD Podsumowanie

AMandD właściwości eksploatacyjne 05 Diagnozowanie instalacji złożonych Możliwość stałej rozbudowy w trakcie eksploatacji Uwzględnia niepewności wykrywanych symptomów Uwzględnia niepewności relacji symptomy - uszkodzenia Prawidłowe wnioskowanie (automatyczna adaptacja) przy zmianach zbioru dostępnych sygnałów pomiarowych Uwzględnia dynamikę rozprzestrzeniania się symptomów awarii

Efekty zastosowania systemu diagnostycznego 06 Szybka i dokładna informacja o pojawiających się uszkodzeniach dostarczana do operatorów i innych użytkowników systemu Zwiększenie pewności informacji w systemie dzięki diagnostyce torów pomiarowych Zwiększenie bezpieczeństwa procesu Zmniejszenie zagrożeń dla środowiska naturalnego Ograniczenie strat w stanach awaryjnych Ograniczenie kosztów obsługi remontowej Eliminacja przeciążenia informacyjnego operatorów