تشخیص خطا و عیب‌شناسی در برج تقطیر بر اساس مدل تنسی - ایستمن با روش T2 هتلینگ

نوع مقاله : علمی-پژوهشی

نویسندگان

1 دانشکده مهندسی شیمی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

2 دانشکده علوم مهندسی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

چکیده

کنترل برج تقطیر به دلیل اهمیت بالای این واحد، یکی از دغدغه‌های اصلی در طراحی فرآیندهای شیمیایی است. به دلایل مختلف عملیاتی ممکن است در برج‌های تقطیر خطا رخ دهد که عملکرد فرآیند با اختلال جدی مواجه سازد یا منجر به بروز حوادث ناگوار شود. در این پژوهش کوشش شده است با یکی از مدل‌های معتبر موجود برای برج تقطیر عریان ­ساز فرآیند تنسی ایستمن در نرم‌افزار متلب، خطاهای محتمل در کارکرد برج مربوط به این فرآیند، توسط آزمون آماری مجذور تی هتلینگ شناسایی شود و پس از تشخیص آن با روش پیشنهادی عیب‌شناسی می‌توان برای این مساله نوع خطا را تشخیص داد. روش ارائه شده می‌تواند خطاهای احتمالی در مدل را با دقت بالا و در مدت زمان کوتاه (حداکثر 1/0 ساعت) تشخیص ‌دهد.

کلیدواژه‌ها

موضوعات


[1] Precup R.-E., Radac M.-B., Roman R.-C., Petriuc E.M., Model-Free Sliding Mode Control of Nonlinear Systems: Algorithms and Experiments, Information Sciences, 381: 176-192 (2017).
[2] Amin M.T., Khan F., Imtiaz S., Fault Detection and Pathway Analysis Using a Dynamic Bayesian Network, Chemical Engineering Science, 195: 777-790 (2019).
[3] Mirakhorli E., Fault Diagnosis in a Distillation Column Using a Support Vector Machine based Classifier, International Journal of Smart Electrical Engineering, 8(3): 105-116 (2019).
[4] Li C., Zhao D., Mu S., Zhang W., Shi N., Li L., Fault Diagnosis for Distillation Process based on CNN–DAE, Chinese Journal of Chemical Engineering, 27(3): 598-604 (2019).
[5] Taqvi S.A., Tufa L D., Zabiri H., Maulud A.S., Uddin F., Fault Detection in Distillation Column Using NARX Neural Network, Neural Computing and Applications, 32(8): 3503-3519 (2020).
[6] Harkat M.F., Mansouri M., Abodayeh K., Nounou M., Nounou H., New Sensor Fault Detection and Isolation Strategy–based Interval‐Valued Data, Journal of Chemometrics, 34(5): e3222 (2020).
[7] Ricker N.L., Lee J., Nonlinear Model Predictive Control of the Tennessee Eastman Challenge Process, Computers & Chemical Engineering, 19(9): 961-981 (1995).
[8] Tian W., Guo Q., Sun S., Dynamic Simulation based Fault Detection and Diagnosis for Distillation Column, Korean Journal of Chemical Engineering, 29(1): 9-17 (2012).
[10] Kitano K., Kano M., Gopaluni B., Fault Identification with Modified Reconstruction-based Contribution based on Kernel Principal Component Analysis, in 2017 11th Asian Control Conference (ASCC), IEEE, (2017).
[11] Smith A.J., Powell K.M., Fault Detection on Big Data: A Novel Algorithm for Clustering Big Data to Detect and Diagnose Faults, IFAC-PapersOnLine, 52(10): 328-333 (2019).
[12] Luo L., Xie L., Su H., Mao F., A Probabilistic Model with Spike-and-Slab Regularization for Inferential Fault Detection and Isolation of Industrial Processes, Journal of the Taiwan Institute of Chemical Engineers, 123: 65-78 (2021).
[13] Downs J.J., Vogel E.F., A Plant-Wide Industrial Process Control Problem, Computers & chemical engineering, 17(3): 245-255 (1993).
[14] Ricker N.L., Decentralized Control of the Tennessee Eastman Challenge Process, Journal of process control, 6(4): 205-221 (1996).
[15] Kent J., Bibby J., Mardia K., "Multivariate analysis", Academic Press, Amsterdam, (1979).