هوش مصنوعی برای کنترل نظارت و بازبینی سیستم های فرآیند

قیمت: 39,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

هوش مصنوعی برای کنترل نظارت و بازبینی سیستم های فرآیند

عنوان لاتین

Artificial intelligence for monitoring and supervisory control of process systems

پروسه های پیچیده شامل متغیرهای فرایند، و اپراتورها در مواجهه با وظایف نظارت، کنترل، و تشخیص فرآیندها، اغلب نظارت موثر بر پردازش داده ها، تجزیه و تحلیل وضعیت های فعلی، شناسایی و تشخیص ناهنجاری های فرایند، و یا اقدامات لازم برای کنترل فرآیندها را بسیار دشوار یافته اند. پیچیدگی می تواند با گرایش ها و یا رویدادهای اصولی کنترل پذیر فراهم شده ، و براساس داده های عملیاتی تسلیم شود.( Rengaswamy و Venkatasubramanian، 1992- چارچوب مجتمع برای نظارت بر فرایند، تشخیص و کنترل با استفاده از سیستم های مبتنی بر دانش و شبکه های عصبی، IFA، Delaware، USA،صفحات 49-54). برای حمایت از اپراتورهای واحدصنعتی ، سیستم های پشتیبانی تصمیم گیری که فن آوری هوش مصنوعی (AI) و غیر هوش مصنوعی را ترکیب میکنند برای وظایف نظارت، کنترل، و تشخیص به تصویب رسیده اند. سیستم های پشتیبانی را می توان بر اساس رویکرد تحلیلی، داده محور و مبتنی بر دانش (Chiang و همکاران، 2001. شناسایی و تشخیص خطا در سیستم های صنعتی. Springer ، لندن، بریتانیا) پیاده سازی کرد. این مقاله یک بررسی نوشتاری روی سیستم های هوشمند برای نظارت، کنترل و تشخیص سیستم های فرآیند ارائه میکند. هدف از این بررسی ابتدا، معرفی رویکردهای داده محور، تحلیلی و روشهای مبتنی بر دانش برای توسعه راه حل های پشتیبانی سیستم های هوشمند، و سپس، ارائه تلاش های پژوهشی چهار گروه کاوشگر که کار گسترده ای در یکپارچه سازی این سه راه حل در ساخت سیستم های هوشمند برای نظارت، کنترل و تشخیص انجام داده اند، می باشد. چهار گروه اصلی این پژوهش عبارتند از: آزمایشگاه سیستم های هوشمند در مهندسی فرآیند (LISPE) موسسه تکنولوژی ماساچوست ، آزمایشگاه سیستم های فرایند هوشمند (LIPS) دانشگاه Purdue ، لابراتوار مهندسی هوشمند (IEL) دانشگاه Alberta ، و دپارتمان مهندسی شیمی دانشگاه Leeds. این مقاله همچنین به مقایسه برخی روش های یکپارچه پرداخته، و نقاط قوت و ضعف آنها را نشان می دهد.

Complex processes involve many process variables, and operators faced with the tasks of monitoring, control, and diagnosis of these processes often find it difficult to effectively monitor the process data, analyse current states, detect and diagnose process anomalies, or take appropriate actions to control the processes. The complexity can be rendered more manageable provided important underlying trends or events can be identified based on the operational data (Rengaswamy and Venkatasubramanian, 1992. An Integrated Framework for Process Monitoring, Diagnosis, and Control Using Knowledge-based Systems and Neural Networks. IFAC, Delaware, USA, pp. 49–54.). To assist plant operators, decision support systems that incorporate artificial intelligence (AI) and non-AI technologies have been adopted for the tasks of monitoring, control, and diagnosis. The support systems can be implemented based on the data-driven, analytical, and knowledge-based approach (Chiang et al., 2001. Fault Detection and Diagnosis in Industrial Systems. Springer, London, Great Britain). This paper presents a literature survey on intelligent systems for monitoring, control, and diagnosis of process systems. The main objectives of the survey are first, to introduce the data-driven, analytical, and knowledge-based approaches for developing solutions in intelligent support systems, and secondly, to present research efforts of four research groups that have done extensive work in integrating the three solutions approaches in building intelligent systems for monitoring, control and diagnosis. The four main research groups include the Laboratory of Intelligent Systems in Process Engineering (LISPE) at Massachusetts Institute of Technology, the Laboratory for Intelligent Process Systems (LIPS) at Purdue University, the Intelligent Engineering Laboratory (IEL) at the University of Alberta, and the Department of Chemical Engineering at University of Leeds. The paper also gives some comparison of the integrated approaches, and suggests their strengths and weaknesses