自己連想ニューラルネットワークによるプロセス変数の関数関係に基づいた異常検出 Fault Detection Based On Functional Relationship Among Process Variables by Autoassociative Neural Networks

この論文にアクセスする

この論文をさがす

著者

抄録

プラントにおいて観測される全てのプロセス変数は物質や熱収支式, 速度式, 相関式などの物理的関係によって拘束されている.本論文では, プロセス変数の時系列データについて, 正常運転時の関係が満されているかどうかを調べることによって, プラントの正常/異常をリアルタイムに判定する方法を提案する.まず, 正常運転におけるプロセス変数間の関数関係を自己連想ニューラルネットワークモデルを用いて同定する.その際に, 非線形性を含む関数関係を抽出する適切なネットワーク構造を探索するための有効な方法を示す.異常はニューラルネットワークに与えたプロセス変数の実測値ベクトルとネットワークの出力ベクトルとの乖離の度合いによって判定する.この手法を連続槽型ポリマー重合反応器での異常検出に応用した例を述べ, 従来用いられてきた各プロセス変数のばらつきをもとにした3シグマ法と, 異常検出までの時間について比較した.

Some process variables measured in a plant are strictly constrained by the material and heat balance equations, rate equations and correlations. In this study, we propose a method to judge whether the state of plant operation is normal or not, by examining whether a set of process variables maintains the functional relationship specified at normal operation. The functional relationship at normal operation is identified by an autoassociative neural network (AANN) which approximates the identity mapping for a set of measured values of process variables. An effective method to search for an adequate configuration of the AANN is also presented. Abnormal operation or fault is detected by the magnitude of discrepancy between the input vector and the output vector of the trained AANN. This fault detection method is applied to a continuous flow polymerization process and compared with the conventional 3 sigma fault detection method for a single process variable.

収録刊行物

  • 化学工学論文集  

    化学工学論文集 22(4), 846-853, 1996-07-10 

    The Society of Chemical Engineers, Japan

参考文献:  12件

参考文献を見るにはログインが必要です。ユーザIDをお持ちでない方は新規登録してください。

各種コード

  • NII論文ID(NAID)
    10002669197
  • NII書誌ID(NCID)
    AN00037234
  • 本文言語コード
    JPN
  • 資料種別
    ART
  • ISSN
    0386216X
  • NDL 記事登録ID
    3995441
  • NDL 雑誌分類
    ZP5(科学技術--化学・化学工業--化学工学)
  • NDL 請求記号
    Z17-725
  • データ提供元
    CJP書誌  NDL  J-STAGE 
ページトップへ