Key Performance Monitoring and Diagnosis in Industrial Automation Processes
With ever increasing global competition, monitoring and diagnosis methods based on key performance indicator (KPI) are increasingly receiving attention in the process industry. Primarily due to the scale and complexity of modern automation processes, application of signal processing and model-based monitoring methods is too costly and time-consuming. On the other hand, due to the availability of cheap measurement and storage systems, a large amount of process and KPI data is obtained. As a result, developing data-driven KPI monitoring methods has become an area of great interest in both academics and industry. Therefore, this thesis is focused on the data-driven design of systematic KPI monitoring and diagnosis systems for industrial automation processes.
Depending on the relationship between the low-level process variables and the high-level KPIs, industrial processes can be classified into three groups:
1. Static processes (SPs) are those described by algebraic equations;
2. Lumped-parameter processes (LPPs) are those described by ordinary differential equations; and
3. Distributed-parameter processes (DPPs) are those described by partial differential equations.
For each of these groups of processes, analytical redundancy plays a very important role when developing efficient process monitoring tools. For SPs, multivariate-statistics-based methods have been used. However, their applicability is restricted by high mathematical complexity, high design costs and low diagnostic performance. For this reason, an alternative improved method has been proposed in this thesis. For LPPs, complex model-based methods have been implemented. Therefore, to reduce the design costs required for monitoring LPPs, efficient Subspace identification based approaches are presented. Finally, since there are very few available model-based methods for DPPs, this thesis presents novel approaches for KPI monitoring in DPPs. For all these methods, the design procedures are based on the process I/O data and do not require advanced mathematical knowledge.
After performance degradation has been detected, it is important to identify the root causes to prevent further losses. In industrial processes, performance degradation is more often caused by multiplicative faults. In this work, a new data-driven multiplicative fault diagnosis approach is proposed. This approach aims at assisting the maintenance personnel by narrowing down the investigation scope. As a result, overall equipment effectiveness (OEE) can be significantly improved.
To show the effectiveness of the proposed approaches, case studies on the Tennessee Eastman benchmark process, the continuous stirred tank heater benchmark and the simulated drying section of a paper machine have been performed. The proposed methods worked successfully with these processes.
Im Rahmen einer stetigen Zunahme des globalen Wettbewerbs erhalten Key Performance Indikator (KPI) basierte Überwachungs- und Diagnosetechniken zunehmend Aufmerksamkeit in der Prozessindustrie. Vor allem vor dem Hintergrund von Umfang und Komplexität moderner Automatisierungsprozesse ist die Anwendung von Signalverarbeitung und modellbasierten Überwachungstechniken zu teuer und zu zeitaufwendig. Andererseits ist häufig auf Grund der Verfügbarkeit von günstigen Mess- und Speichersystemen, eine große Menge von Prozess- und KPI-Daten vorhanden. Daher ist die Entwicklung von datenbasierten Verfahren ein Forschungsfeld, welches sowohl im akademischen als auch im industriellen Bereich mit großem Interesse verfolgt wird. Dementsprechend liegt der Fokus der vorliegenden Arbeit auf einem systematischen und datenbasierten Entwurf von KPI-Überwachungs- und -Diagnosesystemen für industrielle Automatisierungsprozesse.
Anhand der Beziehung zwischen den low-level Prozessgrößen und den high-level KPIs können industrielle Prozesse in drei Gruppen eingeteilt werden:
1. Statische Prozesse (SP) sind Prozesse, die sich durch algebraische Gleichungen beschrieben lassen;
2. Konzentrierte-Parameter Prozesse (KPP) sind Prozesse, welche durch gewöhnliche Differentialgleichungen beschrieben werden; und
3. Verteilte-Parameter Prozesse (VPP) sind Prozesse, welche durch partielle Differentialgleichungen beschrieben werden.
Für jede dieser Gruppen spielt das Konzept der analytischen Redundanz eine sehr wichtige Rolle bei der Entwicklung von effizienten Prozessüberwachungs-Tools. Für SP, sind multivariate statistische Verfahren verwendet worden. Allerdings ist deren Anwendbarkeit durch hohe mathematische Komplexität, einen hohen Entwurfsaufwand und eine geringen Diagnoseleistung beschränkt. Aus diesem Grund wird ein alternatives, verbessertes Verfahren in dieser Arbeit vorgeschlagen. Für KPP, sind komplexe modellbasierte Methoden implementiert worden. Um die Entwicklungskosten für die Überwachung der KPP zu reduzieren, wird eine effiziente Methode, basierend auf Subspace-Identifikation, vorgestellt. Da es nur sehr wenige modellbasierte Methoden für VPP gibt, präsentiert diese Arbeit schließlich neue Verfahren für die KPI- Überwachung in VPP. Alle vorgestellten Verfahren basieren auf den Prozess E/A Daten und erfordern daher keine tiefergehenden mathematischen Kenntnisse über den Prozess.
Nach erfolgreicher Erkennung des Leistungsabfalls eines KPI, ist es in einem nächsten Schritt erforderlich die Ursache zu identifizieren, um weitere ökonomische Verluste zu verhindern. In industriellen Prozessen wird ein Leistungsabfall häufig durch multiplikative Fehler verursacht. In dieser Arbeit wird ein neues datenbasiertes, multiplikatives Fehlerdiagnoseverfahren vorgeschlagen. Dieses Verfahren soll der Unterstützung des Wartungspersonals dienen, indem eine Eingrenzung der Problemursache vorgenommen wird. Als Ergebnis kann somit die OEE (Overall Equipment Effectiveness) deutlich verbessert werden.
Um die Wirksamkeit der vorgeschlagenen Verfahren zu demonstrieren, wurden verschiedene Fallstudien an Hand des „Tennessee Eastman“ Benchmark, des „continuous stirred tank heater“ Benchmark und einer simulierten Trockenpartie einer Papiermaschine durchgeführt. Die Effektivität der vorgeschlagenen Methoden konnte an Hand der aufgeführten Benchmark Prozesse erfolgreich gezeigt werden.
Vorschau
Zitieren
Zitierform:
Zitierform konnte nicht geladen werden.