فهرست:
فهرست جدولها ح
فهرست شکلها ط
چکیده 1
فصل 1- مقدمه . 2
1-1- مقدمه . 3
1-2- ضرورت عیبیابی. 3
1-3- هدف از انجام تحقیق. 4
1-4- مروری بر کارهای انجام شده. 4
1-5- ساختار پایاننامه. 5
فصل 2- بررسی انواع روشهای تشخیص و شناسایی خطا. 6
2-1- مقدمه . 7
2-2- دستهبندی روشهای شناسایی خطا. 7
2-2-1- روشهای مبتنی بر مدل کمی. 8
2-2-2- روشهای مبتنی بر مدل کیفی. 9
2-2-3- روشهای مبتنی بر داده. 10
فصل 3- معرفی روش آنالیز مولفهی اصلی و شبکههای عصبی مصنوعی 12
3-1- مقدمه . 13
3-2- روش آنالیز مولفهی اصلی . 14
3-3- شبکههای عصبی. 18
3-3-1- تکنرون بهعنوان دستهبندی کننده. 19
3-3-2- آموزش پرسپترون. 21
3-3-3- پرسپترون تکلایه. 24
3-3-4- پرسپترون چندلایه. 26
3-3-5- آموزش شبکههای عصبی MLP. 27
3-3-6- الگوریتم پسانتشار خطا برای یک شبکه با تعداد دلخواه لایه و نرون 29
3-4- نقش شبکه عصبی در عیبیابی. 30
فصل 4- کارآیی روش PCA در تشخیص پارامترهای معیوب فرآیند تنسی ایستمن 32
4-1- مقدمه . 33
4-2- معرفی شرکت تنسی ایستمن. 33
4-3- شناخت فرآیند صنعتی تنسی ایستمن . 35
4-3-1- متغیرهای فرآیند. 37
4-3-2- عیوب فرآیند . 40
4-4- پیاده سازی سیستم عیب یابی فرآیند TEP بر مبنای PCA. 41
4-4-1- بررسی موردی عیب 1. 41
4-4-2- نرخ عدم تشخیص. 44
4-4-3- میزان اهمیت متغیرهای فرآینددر تشخیص عیب 1. 44
4-4-4- نتایج شبیهسازی 51
فصل 5- طراحی یک شبکه عصبی پویا بهمنظور تشخیص پارامترهای معیوب فرآیند 52
5-1- مقدمه . 53
5-2- معماری شبکه عصبی پویا. 53
5-3- تشخیص و جداسازی عیب با استفاده از شبکه عصبی دینامیک 54
5-3-1- مرحلهی اول: شناسایی سیستم. 54
5-3-2- مرحلهی دوم: شناسایی و جداسازی عیب. 55
5-4- تشخیص پارامترهای معیوب TEP با تکیه بر ساختار پیشنهادی 56
5-5- بررسی موردی عیب 1. 67
5-5-1- نرخ عدم تشخیص. 71
5-6- پیشنهاد راهکاری برای افزایش سرعت الگوریتم. 71
5-7- نتایج حاصل از شبیهسازی. 74
فصل 6- نتیجهگیری و پیشنهادات. 76
فهرست مراجع . 78
واژهنامه فارسی به انگلیسی . 80
واژهنامه انگلیسی به فارسی. 82
چکیده لاتین . 84
منبع:
[1] J. M. Lee, C. Yoo, S. W. Choi. P. A. Vanrolleghem and I. –B. Lee, “Nonlinear process monitoring using kernel principal component analysis,” Chem. Eng. Sci, vol. 59, pp. 223-234, 2004.
[2] G. Torella, G. Lombardo, Utilization of neural-networks for gas-turbine engines, XII ISABE 95-703, 1995.
[3] Kanelopoulos, A. Stamatis, K. Mathioudakis, Incorporating neural-networks into gas-turbine performance diagnostics, in: ASME 97-GT-35, International Gas-turbine & Aero-engine Congress & Exhibition, Orlando, Florida, 1997
[4] S. Ogaji, Advanced Gas-Path Fault Diagnostics for Stationary Gas-Turbines, Ph.D. Thesis, School of Engineering, Cranfield University, 2003.
[5] A. Volponi, H. DePold, R. Ganguli, C. Daguang, The use of Kalman-filter and neural-network methodologies in gas-turbine performance diagnostics: a comparative study, ASME 2000-GT-547, 2000.
[6] M. Zedda, R. Singh, Fault diagnosis of a turbofan engine using neural- networks: a quantitative approach,
in: 34th AIAA, ASME, SAE, ASEE Joint Propulsion Conference & Exhibit, AIAA 98-3602, Cleveland,
OH, 1998.
[7] M. Ayoubi, Fault diagnosis with dynamic neural structure and application to a turbocharger, in: Proceedings of the International Symposium on Fault Detection, Supervision and Safety for technical Process SAFEPROCESS’94, vol. 2, Espoo, Finland, pp. 618–623, 1994.
[8] A. Yazdizadeh, K. Khorasani, Adaptive time delay neural network structures for nonlinear system identification, Neurocomputing 47, 207–240, 2002.
[9] Iz Al-Dein, Al-Zyoud, K. Khorasani, Detection of actuator faults using a dynamic neural network for the attitude control subsystem of a satellite, in: Proceedings of International Joint Conference on Neural Networks, Montreal, Canada, July 31–August 4, 2005.
[10] A.Valdes,K.Khorasani,L.MaDynamicneuralnetwork-basedfaultdetection and isolation for thrusters in formation flying of satellites, in: Advancesin Neural Networks—ISNN 2009: 6th International Symposiumon Neural Networks, pp.780–793, 2009.
[11] K. Patan, T. Parisini, Identification of neural dynamic models for fault detection and isolation: the case of a
real sugar evaporation process, IFAC J. Process Control 15 (1) 67–79, 2005.
[12] R. Mohammadi, E. Naderi, K. Khorasani, S. Hashtrudi-Zad, Fault diagnosis of gas turbine engines by using
dynamic neural networks, in: Proceedings of the ASME Turbo Expo 2010, Glasgow, UK, June 2010.
[13] Hector J. Galicia. Q.Peter He. Jin Wang, “A comprehensive Evaluation of Statistics of pattern analysis based process monitoring” Preprints of the 8th IFAC Symposium on Advanced Control of Chemical Processes, The Iternational Federation of Automatic Control, Furama Riverfront, Singapore, July 10-13, 2012.
[14] C.K. Lau, Kaushik Ghosh, M.A. Hussain, C.R. Che Hassan,”Fault diagnosis of Tennessee Eastman process with multi-scale PCA and ANFIS” Chemometrics and Intelligent Laboratory 120, 1-14,2013.
[15] M. Blanke, Diagnosis and fault-tolerant control. Springer, 2003.
[16] M. El Hachemi Benbouzid, “A review of induction motors signature analysis as a medium for faults detection,” Ind. Electron. IEEE Trans., vol. 47, no. 5, pp. 984–993,2000.
[17] Zhao Qing, “Fault Tolerant Control Systems Design,” Master’s thesis,1999.
[18] L. H. Chiang, E. L. Russell and R. D. Braatz, Fault Detection and Diagnosis in Industrial Systems, Springer
Verlag, Berlin, 2001.
[19] R. Isermann, Fault-Diagnosis Systems, An Introduction from Fault Detection to Fault Tolerance, 1st ed. Heidelberg: Springer, p. 469, 2006.
[20] K. A. Loparo, M. L. Adams, and M. Buchner, “Model-based and data driven fault diagnosis methods with
applications to process monitoring,” CASE WESTERN RESERVE UNIVERSITY, 2004.
[21 Isermann, R., Model-based fault detection and diagnosis , status and applications. IFAC 2004.
[22] Sun, X.W.Z., Fault diagnosis approach based on fuzzy neural networks and its application. IEEE International Conference on Control and Automation, p. 217 – 218, 2002.
[23] D. Dong and T. J. MacAvoy, “Nonlinear principal component analysis based on principal curves and neural networks,” J. Process Control, vol. 6, no. 6, pp. 329-348, 1996.
[24] Bao Ho T., Introduction to Knowledge Discovery and Data Mining, Tutorial available here: http://www.netnam.vn/unescocourse/knowlegde/know_frm.htm
[25] Theodoridis S. and Koutroumbas K., Pattern Recognition, Academic Press, 1999.
[26] Bishop M., Neural Networks for Pattern Recognition, MIT Press, 1996.
[27] Eldar Y.C. and Oppenheim A.V., MMSE Whitening and Subspace Whitening, IEEE Trans. Inform. Theory
49, pp. 1846-1851, Jul., 2003.
[28] L. H. Chiang, E. L. Russell and R. D. Braatz, “Fault detection and diagnosis in industrial systems,” 2001.
[29] J. J. DOWNS and E. F. VOGEL, “A plant wide industrial process control problem”, Computers chem. Engng.,Pergamon Press,Britain, Vol.17, No. 3, pp.245-255,1993.
[30] John Wiley & Sons .Douglas Hubbard «How to Measure Anything: Finding the Value of Intangibles in Business» pg46, 2007.
[31] Mercedes Fernandez Redondo, Carlos Hernandez Espinosa,”A comparisonamong feature selection methods based on trained networks”Compus RiuSec. Edificio TI. Castellon. Spain. 0-7803-5673-X/99/$10.00 IEEE 1999.
[32] J. Utans, J. Moody and S. Rehfuss,”Input variable selection for neural networks: Application to predicting the U.S. business cycle”,Proceedings of IEEE/IAFE 1995 Computational Intelligence for Financial Engineering.,pp. 118-122, 1995.