طراحي سيستم هوشمند در تشخيص FAULT و علت يابي آن در فرآيندهاي شيميايي/ نفتي

Design of An Intelligent System for Fault Diagnosis in Chemical and Petrochemical Processes

مقاله حاضر روشي جهت تشخيص عيب / خطا در فرآيندهاي شيميايي/ نفتي در حالت ماندگار كار آن ها توسط شبكه هاي عصبي مصنوعي ارايه مي دهد. كارايي شبكه عصبي "پس انتشار خطا" را مي توان با افزودن تعدادي واحدهاي تابعي به لايه ورودي آن بهبود بخشيد. اين تكنيك باعث مي شود توانايي شبكه عصبي، جهت ارايه روابط غير خطي و خيلي پيچيده موجود بين الگوهاي عملكردي فرآيند افزايش يافته و تشخيص همزمان خطاهاي چند گانه، علت هاي وقوع و درجه سختي آنها را در فرآيند مورد نظر ميسر مي سازد. استفاده از منطق فازي در تشخيص عيب و علت يابي آن از نتايج مشابهي برخوردار است. در اجراي اين تحقيق بر روي فرآيند هاي شيميايي / نفتي از يك فرآيند نمونه تبديل هپتان به تولوين استفاده شده كه نتايج حاصل از شبيه سازي اين فرآيند، نشان دهنده قابليت هاي موفقيت آميز اين سيستم هوشمند در محيط هاي صنعتي مي باشد.

In this paper, we present an intelligent operator support system (IOSS) for detection of process upsets and determining their causes .The system uses a simple conventional back-propagation (BP) artificial neural network (ANN) to achieve its diagnostic purposes. However, the capability of the proposed methodology is enhanced to simultaneously diagnose multiple faults and their severity levels via employing a number of functional units to the network input layer. The effectiveness of the proposed approach has been examined through simulation study of a Heptane-to-Toluene process in steady state operation