دوره 15، شماره 1 - ( مجله کنترل، جلد 15، شماره 1، بهار 1400 )                   جلد 15 شماره 1,1400 صفحات 127-138 | برگشت به فهرست نسخه ها

XML English Abstract Print


1- دانشگاه شهید بهشتی
چکیده:   (794 مشاهده)
سیستم‌های هشدار نقش مهمی در حفظ ایمنی و جلوگیری از وقوع حوادث در سیستم‌های صنعتی بر عهده دارند. یکی از مراحل مهم در طراحی سیستم‌های هشدار، تخمین مناسب تابع چگالی احتمال، برای متغیر هشدار، قبل و بعد از وقوع عیب می‌باشد. زمانی که توزیع یک متغیر هشدار، آمیخته باشد روش‌های متداول طراحی سیستم هشدار مانند تایمرهای تاخیری و باندمرده با چالش روبرو خواهند بود. در این مقاله سیستم هشداری ارائه می‌شود که قابلیت بکارگیری برای متغیرهای هشدار با توزیع آمیخته را دارد. در این روش، هشدار، بر اساس مقادیر احتمال متناظر با مقادیر لحظه‌ای متغیر هشدار، در توابع چگالی احتمال نرمال و غیرنرمال (مدل‌های مرجع نرمال و غیرنرمال)، تولید می‌شود. روش پیشنهادی به‌صورت سیستماتیک معرفی شده و برای سناریوهای مختلف عیب شبیه‌سازی و از طریق مقایسه با یکی از روش‌های معمول، ارزیابی و اعتبارسنجی می‌شود. در یکی از موارد مطالعاتی عملکرد روش پیشنهادی بر روی یکی از عملگرهای بنچمارک DAMADICS مورد بررسی قرار گرفته است.
متن کامل [PDF 1001 kb]   (27 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1399/1/10 | پذیرش: 1399/10/12 | انتشار الکترونیک پیش از انتشار نهایی: 1399/11/4 | انتشار: 1400/3/1

فهرست منابع
1. [1] ISA, (Instrumentation, Systems & Automation Society). "Management of alarm systems for the process industries", North Carolina: ISA 18.02, 2009.
2. [2] EEMUA, (Engineering Equipment and Materials Users' Association). "Alarm systems: a guide to design, management and procurement", 3rd ed. London: EEMUA Publication 191, 2013.
3. [3] Su, J., et al., "A multi-setpoint delay-timer alarming strategy for industrial alarm monitoring", Journal of Loss Prevention in the Process Industries, vol.54, pp. 1-9, 2018. [DOI:10.1016/j.jlp.2018.02.004]
4. [4] Taheri-Kalani, J., Latif-Shabgahi, G. and Alyari-Shooredeli, M., "On the use of penalty approach for design and analysis of univariate alarm systems", Journal of Process Control, vol.69, pp. 103-113, 2018. [DOI:10.1016/j.jprocont.2018.07.018]
5. [5] Lin, J., et al., "A generalized alarm delay-timer's performance indices computing method", Systems Science & Control Engineering, vol.6, pp. 297-304, 2018. [DOI:10.1080/21642583.2018.1554838]
6. [6] Aslansefat, K., et al., "Performance evaluation and design for variable threshold alarm systems through semi-Markov process", ISA Transactions, vol. 97, pp. 282-295, 2019. [DOI:10.1016/j.isatra.2019.08.015]
7. [7] وحید محمدزاده ایوقی، مهدی علیاری شوره‌دلی، "آنالیز حساسیت و طراحی سیستم هشدار تک‌متغیره بر مبنای تایمر تأخیر با لحاظ‌کردن خطای اندازه‌گیری "، مجله مهندسی مکانیک مدرس، جلد 19، شماره 5، صفحات 1155-1165، 1398.
8. [8] Kaced, R., Kouadri, A. and Baiche, K., "Designing alarm system using modified generalized delay-timer", Journal of Loss Prevention in the Process Industries, vol.61, pp. 40-48, 2019. [DOI:10.1016/j.jlp.2019.04.010]
9. [9] جعفر طاهری کلانی، غلامرضا لطیف شبگاهی، مهدی علیاری شوره‌دلی، وحید محمدزاده ایوقی، مهدی علیاری شوره‌دلی، " طراحی یک سیستم هشدار تک متغیره با رویکرد تایمرهای تأخیری مبتنی بر سناریوی آستانه چندگانه"، مجله مهندسی برق تبریز، جلد 49، شماره 3، صفحات 1153-1165، 1398.
10. [10] Wang, Z., et al., "Indexing and designing deadbands for industrial alarm signals", IEEE Transactions on Industrial Electronics, vol.66, no.10, pp. 8093-8103, 2019. [DOI:10.1109/TIE.2018.2885718]
11. [11] Afzal, M.S., Chen, A. and Izadi, I., "Analysis and design of time-deadbands for univariate alarm systems ", Control Engineering Practice, vol.71, pp. 96-107, 2018. [DOI:10.1016/j.conengprac.2017.10.016]
12. [12] Tulsyan, A and Gopaluni, R.B., "Univariate model-based deadband alarm design for nonlinear processes ", Industrial & Engineering Chemistry Research, vol.58, No. 26, pp. 11295-11302, 2019. [DOI:10.1021/acs.iecr.9b00014]
13. [13] Montgomery, D.C., " Introduction to Statistical Quality", (5th Edition), Aug 2004, [Online] Available: https://www. wiley.com.
14. [14] Izadi, I., Shah, S.L., Shook, D.S., Kondaveeti, S.R. and Chen, T., "A framework for optimal design of alarm systems ", Journal of Process Control, vol.42, No. 8, pp. 651-656, 2011. [DOI:10.3182/20090630-4-ES-2003.00108]
15. [15] Chen, J. and Ron, J.P., "Robust model-based fault diagnosis for dynamic systems", (first Edition), [Online] Available: https://www.springer.com, 1998. [DOI:10.1007/978-1-4615-5149-2_9]
16. [16] Cheng, Y., Izadi, I. and Chen, T., " Optimal alarm signal processing: filter design and performance analysis ", IEEE Transactions on Automation Science and Engineering, vol.10, No. 2, pp. 446-451, 2013. [DOI:10.1109/TASE.2012.2233472]
17. [17] Yu. j. and Joe Qin. S., "Multimode process monitoring with bayesian inference-based finite gaussian mixture models", American Institute of Chemical Engineers, vol.54, no.7, pp. 1811-1829, 2008. [DOI:10.1002/aic.11515]
18. [18] Veracini, T., et al, "Fully unsupervised learning of gaussian mixtures for anomaly detection in hyperspectral imagery"ninth International Conference on Intelligent Systems Design and Applications, Pisa, Italy, Nov 2009. [DOI:10.1109/ISDA.2009.220]
19. [19] Yu, J., "Fault detection using principal components-based gaussian mixture model for semiconductor manufacturing processes", IEEE Transactions on Semiconductor Manufacturing, vol.24, no.3, pp. 432-444, 2011. [DOI:10.1109/TSM.2011.2154850]
20. [20] Choi, S.W., et al., "Fault detection based on a maximum-likelihood Principal Component Analysis (PCA) mixture", Industrial & Engineering Chemistry Research, vol.44, no.7, pp. 2316-2327, 2005. [DOI:10.1021/ie049081o]
21. [21] Marwala, T., Mahola, U. and Nelwamondo, F.V., "Hidden markov models and gaussian mixture models for bearing fault detection using fractals", The 2006 IEEE International Joint Conference on Neural Network Proceedings, Vancouver, BC, Canada. [DOI:10.1109/IJCNN.2006.247310]
22. [22] Wang, G.F., Li, Y.B. and Luo, Z.G., "Fault classification of rolling bearing based on reconstructed phase space and gaussian mixture model", Journal of Sound and Vibration, vol.323, no.3, pp. 1077-1089, 2009. [DOI:10.1016/j.jsv.2009.01.003]
23. [23] Bashi, A., Jilkov, V.P. and Li, X.R, "Fault detection for systems with multiple unknown modes and similar units and its application to HVAC", IEEE Transactions on Control Systems Technology, vol.19, no.5, pp. 957-968., 2011. [DOI:10.1109/TCST.2010.2062183]
24. [24] Yu, J., "A nonlinear kernel gaussian mixture model based inferential monitoring approach for fault detection and diagnosis of chemical processes", Chemical Engineering Science, vol.68, no.1, pp. 506-519, 2012. [DOI:10.1016/j.ces.2011.10.011]
25. [25] Yu, J., "A particle filter driven dynamic gaussian mixture model approach for complex process monitoring and fault diagnosis", Journal of Process Control, vol.22, no.4, pp. 778-788, 2012. [DOI:10.1016/j.jprocont.2012.02.012]
26. [26] Izadi, I., et al., "An introduction to alarm analysis and design. IFAC Proceedings Volumes, vol.42, no.8, pp. 645-650, 2009. [DOI:10.3182/20090630-4-ES-2003.00107]
27. [27] Wang, Z. and Scott, D.W., "Nonparametric Density Estimation for High-Dimensional Data - Algorithms and Applications, vol.11, 2019. [DOI:10.1002/wics.1461]
28. [28] Bartys, M., Patton, R., Syfert, M., Heras, S.D.L. and Quevedo, J., "Introduction to the DAMADICS actuator FDI benchmark study". Control Engineering Practice, vol.14, pp. 577-596, 2005. [DOI:10.1016/j.conengprac.2005.06.015]
29. [29] Xu, J., et al., "Performance assessment and design for univariate alarm systems based on FAR, MAR, and AAD", IEEE Transactions on Automation Science and Engineering, vol.9, no.2, pp. 296-307, 2011. [DOI:10.1109/TASE.2011.2176490]