Automaatioprosessien virheentunnistus muutospisteanalyysillä
Vainio, Petri (2023)
Vainio, Petri
2023
Tietotekniikan DI-ohjelma - Master's Programme in Information Technology
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2023-08-15
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202306136728
https://urn.fi/URN:NBN:fi:tuni-202306136728
Tiivistelmä
Automaatioprosessien seurannan automatisointi on iso haaste monille yrityksille. Seurannan tärkeimpiä tavoitteita ovat muutospisteiden ja virheiden havaitseminen prosessimuuttujista. Tässä työssä tutkittiin virheidentunnistusmenetelmiä, joiden tarvitsema laskentateho olisi kevyttä ja käyttöönotto mahdollisimman yksinkertaista erilaisille automaatioprosesseille. Hyvin virheitä tunnistavia menetelmiä voidaan hyödyntää erilaisten automaatioprosessien kunnonvalvonnan tukena. Menetelmät ilmoittavat tunnistamistaan virheistä, minkä perusteella operaattorit pystyvät analysoimaan virheiden todellisen luonteen ja tekemään päätöksen mahdollisista jatkotoimenpiteistä.
Virheidentunnistusmenetelmien testaamiseen käytettiin prosessimuuttujien historiadataa jätevedenpuhdistamolta ja prosessihöyryn tuotantolaitokselta. Datasta ei kuitenkaan selviä, milloin virheitä tapahtuu, joten työssä päädyttiin simuloimaan prosesseissa usein esiintyviä virheitä normaaleissa käyttöolosuhteissa toimivaan mittausdataan. Eri menetelmien suorituskykyä virheiden tunnistamiseen arvioidaan kuuden vikatapauksen osalta: täydellinen virhe, ryömintä, poikkeama, vahvistus, kohina ja pulssit. Numeeristen tulosten ja virheentunnistusmenetelmien kuvaajien perusteella määriteltiin paras menetelmä jätevedenpuhdistamossa ja prosessihöyryntuotantolaitoksessa esiintyvien virheiden tunnistamiseen.
Työssä määriteltyjen rajoitusten puitteissa valittiin erilaisia virheidentunnistusmenetelmiä, jotka jakautuivat kolmeen pääkategoriaan: ohjauskaaviot, Kantorovichin etäisyys ja aallokeanalyysi. Ohjauskaaviot perustuvat tilastollisiin menetelmiin ja niistä eniten käytettyjä menetelmiä ovat CUSUM, EWMA ja Shewhart. Kantorovichin etäisyyteen perustuva menetelmä soveltaa optimaalisen massansiirron teoriaa virheiden tunnistamisessa. Menetelmässä vertaillaan normaaleissa käyttöolosuhteissa toimivan prosessin ja virheellisesti toimivan prosessin todennäköisyysjakaumia keskenään. Aallokeanalyysiä hyödyntävät menetelmät käyttävät ali- ja ylipäästösuodattimia prosessimuuttujan kohinan erottamiseen, jolloin päästään käsiksi kohinan peittämään tärkeään tietoon. Kantorovichin etäisyyttä ja aallokeanalyysiä hyödyntävät menetelmät käyttävät myös itsenäisten komponenttien ja pääkomponenttien analyysejä, joiden avulla ne vähentävät käsiteltävän datan määrää ja korostavat etsittäviä virheitä.
Tutkimuksessa käytettyjen menetelmien perusteella parhaiksi virheidentunnistusmenetelmiksi työssä käytetyille prosesseille osoittautuivat MSICA ja MSPCA, jotka hyödyntävät aallokeanalyysiä virheiden tunnistamiseen. Tulosten perusteella kyseiset menetelmät tunnistivat työn automaatioprosessien muuttujista selkeitä virheitä luotettavasti. Parhaiksi todetut menetelmät voisivat soveltua operaattoreiden tueksi prosessimuuttujien analysointiin jätevedenpuhdistamoissa ja prosessihöyryntuotantotehtaissa, koska niiden käyttöönotto on yksinkertaista, ne antavat todennäköisesti hälytyksen suuresta virheestä ja niiden antamien väärien hälytysten määrä on kohtuullisella tasolla. Automating the monitoring of automation processes is a major challenge for many companies. The main objectives of monitoring are the detection of change points and faults in process variables. In this study, error detection methods were investigated, for which the calculation efficiency would be light and the implementation as simple as possible for various automation processes. Methods with good performance of fault detection can be used to support the quality control of various automation processes. The methods would report the errors they identify, which would enable operators to analyze the true nature of the errors and decide on possible follow-up maintenance activities.
Historical data of process variables from a wastewater treatment plant and a process steam production plant was used to test fault detection methods. However, the data does not reveal when errors occur, so in the study the most frequent errors in the process were simulated in the measurement data that works under normal operating conditions. The performance of different methods for fault detection is evaluated in six fault cases: complete fault, drift, bias, gain, noise, and pulses. Based on the numerical results and the graphs of the fault detection methods, the best method for identifying faults occurring in wastewater treatment plant and the process steam production plant was defined.
Within the limits defined in the study, different fault detection methods were chosen, which were divided into three main categories: control charts, Kantorovich distance and wavelet analysis. Control charts are based on statistical methods and the most used methods in this group are CUSUM, EWMA and Shewhart. The Kantorovich distance-based method applies the theory of optimal mass transportation in fault detection. The method compares the probability distributions between the process operating under normal conditions and a process that works incorrectly. Methods utilizing wavelet analysis use low-pass and high-pass filters to separate the noise of the process variable, thus allowing access to important information hidden behind the noise. Methods utilizing Kantorovich's distance and wavelet analysis also use independent component and principal component analyses, which help them reduce the amount of data to be processed and highlight the faults to be found.
Based on the evaluation methods used in the study, MSICA and MSPCA, which utilize wavelet analysis for fault detection, proved to be the best fault detection methods for the processes used in the work. Based on the results, these methods reliably identified clear faults in the process variables of various automation processes. The best methods could therefore be suitable for supporting operators in the analysis of process variables in wastewater treatment plant and process stream production plant, because their implementation is simple, they are likely to alert of the large faults, and the number of false alarms they give is at a reasonable low.
Virheidentunnistusmenetelmien testaamiseen käytettiin prosessimuuttujien historiadataa jätevedenpuhdistamolta ja prosessihöyryn tuotantolaitokselta. Datasta ei kuitenkaan selviä, milloin virheitä tapahtuu, joten työssä päädyttiin simuloimaan prosesseissa usein esiintyviä virheitä normaaleissa käyttöolosuhteissa toimivaan mittausdataan. Eri menetelmien suorituskykyä virheiden tunnistamiseen arvioidaan kuuden vikatapauksen osalta: täydellinen virhe, ryömintä, poikkeama, vahvistus, kohina ja pulssit. Numeeristen tulosten ja virheentunnistusmenetelmien kuvaajien perusteella määriteltiin paras menetelmä jätevedenpuhdistamossa ja prosessihöyryntuotantolaitoksessa esiintyvien virheiden tunnistamiseen.
Työssä määriteltyjen rajoitusten puitteissa valittiin erilaisia virheidentunnistusmenetelmiä, jotka jakautuivat kolmeen pääkategoriaan: ohjauskaaviot, Kantorovichin etäisyys ja aallokeanalyysi. Ohjauskaaviot perustuvat tilastollisiin menetelmiin ja niistä eniten käytettyjä menetelmiä ovat CUSUM, EWMA ja Shewhart. Kantorovichin etäisyyteen perustuva menetelmä soveltaa optimaalisen massansiirron teoriaa virheiden tunnistamisessa. Menetelmässä vertaillaan normaaleissa käyttöolosuhteissa toimivan prosessin ja virheellisesti toimivan prosessin todennäköisyysjakaumia keskenään. Aallokeanalyysiä hyödyntävät menetelmät käyttävät ali- ja ylipäästösuodattimia prosessimuuttujan kohinan erottamiseen, jolloin päästään käsiksi kohinan peittämään tärkeään tietoon. Kantorovichin etäisyyttä ja aallokeanalyysiä hyödyntävät menetelmät käyttävät myös itsenäisten komponenttien ja pääkomponenttien analyysejä, joiden avulla ne vähentävät käsiteltävän datan määrää ja korostavat etsittäviä virheitä.
Tutkimuksessa käytettyjen menetelmien perusteella parhaiksi virheidentunnistusmenetelmiksi työssä käytetyille prosesseille osoittautuivat MSICA ja MSPCA, jotka hyödyntävät aallokeanalyysiä virheiden tunnistamiseen. Tulosten perusteella kyseiset menetelmät tunnistivat työn automaatioprosessien muuttujista selkeitä virheitä luotettavasti. Parhaiksi todetut menetelmät voisivat soveltua operaattoreiden tueksi prosessimuuttujien analysointiin jätevedenpuhdistamoissa ja prosessihöyryntuotantotehtaissa, koska niiden käyttöönotto on yksinkertaista, ne antavat todennäköisesti hälytyksen suuresta virheestä ja niiden antamien väärien hälytysten määrä on kohtuullisella tasolla.
Historical data of process variables from a wastewater treatment plant and a process steam production plant was used to test fault detection methods. However, the data does not reveal when errors occur, so in the study the most frequent errors in the process were simulated in the measurement data that works under normal operating conditions. The performance of different methods for fault detection is evaluated in six fault cases: complete fault, drift, bias, gain, noise, and pulses. Based on the numerical results and the graphs of the fault detection methods, the best method for identifying faults occurring in wastewater treatment plant and the process steam production plant was defined.
Within the limits defined in the study, different fault detection methods were chosen, which were divided into three main categories: control charts, Kantorovich distance and wavelet analysis. Control charts are based on statistical methods and the most used methods in this group are CUSUM, EWMA and Shewhart. The Kantorovich distance-based method applies the theory of optimal mass transportation in fault detection. The method compares the probability distributions between the process operating under normal conditions and a process that works incorrectly. Methods utilizing wavelet analysis use low-pass and high-pass filters to separate the noise of the process variable, thus allowing access to important information hidden behind the noise. Methods utilizing Kantorovich's distance and wavelet analysis also use independent component and principal component analyses, which help them reduce the amount of data to be processed and highlight the faults to be found.
Based on the evaluation methods used in the study, MSICA and MSPCA, which utilize wavelet analysis for fault detection, proved to be the best fault detection methods for the processes used in the work. Based on the results, these methods reliably identified clear faults in the process variables of various automation processes. The best methods could therefore be suitable for supporting operators in the analysis of process variables in wastewater treatment plant and process stream production plant, because their implementation is simple, they are likely to alert of the large faults, and the number of false alarms they give is at a reasonable low.