Predikción alapuló diagnosztika mesterséges intelligencia módszerek felhasználásával

(1)

Predikción alapuló diagnosztika mesterséges intelligencia módszerek

felhasználásával

DOKTORI (PhD) ÉRTEKEZÉS Készítette: Németh Erzsébet Témavezető: Dr. Hangos Katalin

egyetemi tanár

Pannon Egyetem Műszaki Informatikai Kar

Informatikai Tudományok Doktori Iskola

2006

(2)

Predikción alapuló diagnosztika mesterséges intelligencia módszerek felhasználásával

Értekezés doktori (PhD) fokozat elnyerése érdekében

Írta:

Németh Erzsébet

Készült a Pannon Egyetem Informatikai Tudományok Doktori Iskolája keretében Témavezető: Dr. Hangos Katalin

Elfogadásra javaslom (igen / nem)

(aláírás) A jelölt a doktori szigorlaton ...%-ot ért el

Veszprém ...

a Szigorlati Bizottság elnöke Az értekezést bírálóként elfogadásra javaslom:

Bíráló neve: ... (igen / nem)

(aláírás)

Bíráló neve: ... (igen / nem)

(aláírás)

A jelölt az értekezés nyilvános vitáján ...%-ot ért el

Veszprém, ...

a Bíráló Bizottság elnöke

A doktori (PhD) oklevél minősítése ...

...

Az EDT elnöke

(3)

Tartalmi kivonat

A bonyolult és nagy méretű biztonságkritikus üzemek berendezéseinek meghibá- sodása elkerülhetetlen. Hibás működés esetén pedig elengedhetetlen, hogy minél gyorsabban és pontosabban lokalizálni lehessen az esetleges hibát, majd ezen infor- máció birtokában meg lehessen akadályozni az abnormális események tovaterjedését és csökkenteni a termeléskiesést. Mint a legtöbb mérnöki területen, így a folyamatrendszerekben is fontos szerepet tölt be és az utóbbi időben egyre inkább előtérbe kerül a hiba detektálás és diagnosztika.

Az operátorok megfelelően magas szintű szaktudása esetleges hiányának pótlá- sára olyan intelligens rendszerek támogatása szükséges, amelyek biztosítják a rendszer vagy üzem biztonságos működését. Ezért a disszertáció célja a nagyméretű és bonyolult vegyi üzemekben (folyamatrendszerekben) alkalmazható intelligens diagnosztikai módszerek kutatása, fejlesztése és vizsgálata.

A disszertációban a szerző bemutat egy színezett Petri háló alapú diagnosztikai keretrendszert, amely egységes, homogén reprezentációját adja a predikción alapuló diagnosztikai rendszer valamennyi szükséges tudáselemének.

A szerző ismertet egy predikción alapuló diagnosztikai szakértői rendszert is, amely a diagnosztizálandó rendszerről rendelkezésre álló szakértői tudást oly módon tudja tárolni, hogy azokon következtetéseket lehessen végrehajtani, képes rendszer hibákat vagy meghibásodásokat azonosítani és a többléptékű modell megfelelő ré- szére fókuszálni.

A disszertációban a szerző végül bemutatja a predikción alapuló diagnosztika multi-ágens rendszerrel történő megvalósítását. A diagnosztikai rendszerben lévő feladatokat egymással kommunikáló ágensek formájában valósítja meg. Az egysé- ges tudás ábrázolását és az ágensek közötti kommunikáció elősegítését ontológiák felhasználásával szervezi.

A szerző ezen kívül ismertet egy, a predikción alapuló diagnosztika elvégzéséhez szükségessé vált többléptékű folyamatmodelleket egyszerűsítő eljárást, amely diagnosztikai célra alkalmas és a mérnöki gyakorlatban szokásos egyszerűsítő lépéseket használ fel.

(4)

Abstract

Prediction based diagnosis using artiﬁcial intelligence methods

The goal of this dissertation is to research, develop and investigate intelligent diagnostic methods applied in huge and complex chemical plants (process systems).

A coloured Petri net based diagnostic system is shown, which gives a uniﬁed, homogeneous representation of necessary elements of the prediction based diagnostic system.

Additionally, a prediction based diagnostic expert system is described, in which the available expert knowledge of the diagnosed system for making inferences is stored. This way identifying system faults or failures, and focusing on the corre- sponding part of the multi-scale model is possible.

Afterwards, a multi-agent realization of the prediction based diagnostic system is discussed. The tasks in the diagnostic system are solved by agents communicating with each other. The uniﬁed knowledge representation and the agents’ communica- tion are promoted by using ontologies.

For the prediction based diagnosis a simpliﬁcation method of the multi-scale process system models is proposed, which matches the diagnostic goals and uses simpliﬁcation methods applied in engineering practice.

(5)

Auszug

Prediktionsbasierte Diagnostik mit Verwendung von künstlichen Intelligenzverfahren

Diese Dissertation befaßt sich mit Forschung, Entwicklung und Analysis von bei großmaßstäblichen, komplexen Chemiefabriken (Prozessysteme) anwendbaren intel- ligenten Diagnostikverfahren.

Die Verfasserin der Dissertation stellt ein auf farbige Petrische-Netzen basierende Diagnoserahmensystem dar, das eine einheitliche und homogene Repräsentation aller nötigen Kenntniselementen der prediktionsbasierte Diagnostiksystem aufweist.

Ferner führt die Verfasserin eine prediktionsbasierte Diagnostikexpertensystem vor, das die vom zu diagnostisierenden System zur Verfügung stehende Experten- kenntiniss derart speichern kann, daß man daraus Folgerungen durchführen kann, weiterhin es kann die unterschiedlichen Fehler identiﬁzieren und auf das entspre- chende Teil des mehrstuﬁgen Modells fokussieren.

Letztens wird eine mit einem Multiagentsystem realisierte prediktionsbasierte Diagnostik dargestellt. Die im Diagnostiksystem realisierte Aufgaben sind dabei in der Form von mit einander kommunizierenden Agenten verwirklicht. Die Darstellung der einheitlichen Kenntnis und die Unterstützung der Kommunikation zwischen den Agenten werden durch Verwendung von Ontologie organisiert.

Weiterhin ein zur prediktionsbasierende Diagnostik benötigte Vereinfachungspro- zess von mehrstuﬁgen Prozessmodellen wird auch dargestellt, der zur Diagnostiks- zwecken dient und in der Ingenieurpraxis übliche Vereinfachungsschritte verwendet.

(6)

Köszönetnyilvánítás

Mindenekelőtt köszönetemet fejezem ki és őszinte hálával tartozom témavezetőmnek, Dr. Hangos Katalinnak, aki tanulmányaim és kutatásaim során rengeteget segítséget nyútott, ellátott hasznos tanácsokkal és türelmesen irányította munkámat.

Külön köszönettel tartozom Piglerné Dr. Lakner Rozáliának (Pannon Egyetem, Számítástudomány Alkalmazása Tanszék), több cikkem társszerzőjének, hogy ta- pasztalatával segítette munkám előrehaladását.

Szeretném megköszönni Prof. Ian T. Cameron-nak (The University of Queens- land, Australia) kutatásaimhoz nyújtott támogatását és a lehetőséget, hogy meghí- vására 3 hónapot Brisbane-ben, az Egyetemen tölthettem, így biztosítva a kutatá- somhoz szükséges konzultációs lehetőségeket.

Hálával tartozom Gordon D. Ingram-nak és Bogdan Balliu-nak, hogy Ausztráliá- ba érkezésen után segítették beilleszkedésemet és barátként mellettem állva könnyeb- bé tették a távollétet szeretteimtől.

Köszönöm a Magyar Tudományos Akadémia Számítástechnikai és Automatizálá- si Kutató Intézet Rendszer- és Irányításelméleti Kutató Laboratórium vezetőjének, Dr. Bokor Józsefnek, hogy biztosította a kutatási lehetőséget, valamint kutatótár- saimnak, Dr. Bartha Tamásnak, Fazekas Csabának, Károlyi Imrének, Kovács Ákos- nak, Dr. Kulcsár Balázsnak, Magyar Attilának, Péni Tamásnak, Pongrácz Bar- nának, Dr. Szederkényi Gábornak, Varga Istvánnak, Weinhandl Zsuzsannának az együttműködést. Továbbá köszönöm a Laboratórium minden munkatársának a mun- kámhoz nyújtott segítséget.

Köszönöm a Pannon Egyetem Számítástudomány Alkalmazása Tanszék munka- társainak az együttműködést.

Köszönettel tartozom a Knorr-Bremse Fékrendszerek Kft-től Dr. Ailer Piroská- nak, Bordács Zoltánnak és Dr. Németh Hubának a közös munkáink során nyújtott szakmai támogatásért.

Végül, de nem utolsó sorban, szeretném megköszönni szüleimnek, családomnak, páromnak és családjának, hogy bíztattak és minden támogatást megadtak célom eléréséhez.

(7)

Tartalomjegyzék

1. Bevezetés 1

1.1. Célkitűzés . . . 2

1.2. Az értekezés szerkezete . . . 3

1.3. Jelölések . . . 4

2. A felhasznált eszközök és módszerek 5 2.1. A predikción alapuló diagnosztika alapjai . . . 5

2.1.1. A hibadetektálási és -diagnosztikai technikák áttekintése . . . 5

2.1.2. A predikción alapuló diagnosztika rendszerelméleti megköze- lítésben . . . 7

2.1.3. A predikción alapuló diagnosztika tudásalapú megközelítésben 10 2.2. Veszélyelemzés, veszélyazonosítás . . . 12

2.2.1. Működőképesség- és veszélyelemzés (HAZOP) . . . 13

2.2.2. Meghibásodásmód és -hatás elemzése (FMEA) . . . 13

2.3. Többléptékű modellezés . . . 14

2.3.1. Időskála, méretskála és skálatérkép . . . 15

2.3.2. A többléptékű modellezés lépései . . . 15

2.4. Többléptékű modellek diagnosztikai célvezérelt modellezése és szimu- lációja . . . 16

2.4.1. Folyamatmodellezés . . . 17

2.4.2. Diagnosztika, mint többléptékű modellezési cél . . . 17

2.4.3. Többléptékű folyamatmodellek modellezési hierarchiája . . . . 18

2.4.4. Szimptóma hierarchia . . . 18

2.4.5. Egy célvezérelt felülről lefelé haladó modellezési megközelítés . 19 2.5. Egy konkrét folyamatrendszer: granulátor kör . . . 20

2.5.1. Granulátor kör . . . 20

2.5.2. A granulátor dob berendezés szintű modellje . . . 21

2.5.3. Egy granulátor kör skálatérképe . . . 24

2.5.4. Granulátor dob: szintek, változók és mechanizmusok . . . 25

2.5.5. A granulátor dob modellhez kapcsolódó változók és szimptómák 26 2.5.6. A granulátor kör HAZOP táblája . . . 26

3. Predikción alapuló diagnosztika Petri hálókkal 31 3.1. Petri hálók . . . 31

3.1.1. Alacsony szintű Petri hálók . . . 31

3.1.2. Kiterjesztett Petri hálók . . . 35

(8)

3.2. Petri hálók diagnosztikai alkalmazásai . . . 38

3.3. Egy színezett Petri háló alapú diagnosztikai keretrendszer . . . 39

3.3.1. A diagnosztikai keretrendszer elemei . . . 39

3.3.2. A keretrendszer szerkezete . . . 40

3.3.3. A keretrendszer működése . . . 41

3.3.4. Predikció . . . 41

3.4. Esettanulmány: színezett hierarchikus Petri háló alapú granulátor diagnosztikai rendszer . . . 42

3.4.1. A granulátor diagnosztikai rendszer elemei . . . 42

3.4.2. Ismeretek reprezentálása . . . 43

3.4.3. Diagnosztikai eredmények . . . 45

3.4.4. A színezett Petri háló alapú diagnosztikai rendszer lehetséges alkalmazási módjai . . . 46

3.5. Összefoglalás . . . 47

4. Predikción alapuló diagnosztika szakértői rendszerrel 48 4.1. Szakértői rendszerek . . . 48

4.1.1. Ismeretalapú technológia . . . 49

4.1.2. Az ismeretalapú rendszerek struktúrája . . . 49

4.1.3. Következtetési technikák . . . 51

4.1.4. Valós idejű szakértői rendszerek . . . 52

4.2. Diagnosztikai szakértői rendszerek az irodalomban . . . 53

4.2.1. A diagnosztikára felhasználható szoftver eszközök . . . 55

4.3. A predikción alapuló diagnosztikai szakértői rendszer . . . 55

4.3.1. A keretrendszer szerkezete . . . 55

4.3.2. A többléptékű predikciós diagnosztikai szakértői rendszer fő elemei . . . 56

4.3.3. Predikciós diagnosztikai szakértői rendszer működése . . . 59

4.3.4. A keretrendszer szoftver moduljai együttműködésének szervezése 60 4.3.5. Predikció . . . 61

4.4. Esettanulmány: szakértői rendszer alapú granulátor diagnosztikai rendszer . . . 62

4.4.1. HAZOP tábla reprezentálása . . . 62

4.4.2. Diagnosztikai eredmények . . . 62

5. Predikción alapuló diagnosztika multi-ágens rendszerrel 67 5.1. Multi-ágens rendszerek . . . 67

5.1.1. Ágensek . . . 67

5.1.2. Multi-ágens rendszerek . . . 70

5.1.3. Ontológia . . . 71

5.1.4. Ontológiák és ágensek kapcsolata . . . 72

5.1.5. Multi-ágens rendszerek diagnosztikai alkalmazása . . . 73

5.2. Predikción alapuló diagnosztika multi-ágens rendszerrel: a keretrendszer struktúrája . . . 73

5.2.1. A diagnosztikai rendszer tudásreprezentációja . . . 74

(9)

5.2.2. A multi-ágens diagnosztikai rendszer fő elemei . . . 74

5.2.3. Predikció . . . 76

5.2.4. A felhasznált multi-ágens szoftverek . . . 76

5.3. Esettanulmány: ágens alapú granulátor diagnosztikai rendszer . . . . 77

5.3.1. A granulátor diagnosztikai rendszer tudáselemei . . . 77

5.3.2. Szimulációs eredmények . . . 79

6. Többléptékű modellek egyszerűsítése diagnosztikai célból 84 6.1. Modell egyszerűsítés . . . 84

6.1.1. Folyamatmodellek és modellezési céljaik . . . 84

6.1.2. Funkcionálisan ekvivalens folyamatmodellek . . . 85

6.1.3. Modell egyszerűsítés problémája . . . 86

6.1.4. Elemi modell egyszerűsítő lépések . . . 86

6.1.5. Az elemi modell egyszerűsítő lépések tulajdonságai . . . 87

6.2. Modell egyszerűsítés diagnosztikai céllal . . . 88

6.2.1. A modell egyszerűsítési eljárás . . . 89

6.2.2. Összehasonlítás más modellegyszerűsítési és modellredukciós módszerekkel . . . 89

6.3. Esettanulmány . . . 90

6.3.1. Granulátor dob: a modell skálatérképe . . . 90

6.3.2. Hiba szcenáriók és időskála szétválás . . . 90

7. Összefoglalás 95 7.1. A predikción alapuló diagnosztikai rendszer különböző megvalósítá- sainak összehasonlítása . . . 95

7.2. Új tudományos eredmények . . . 96

7.3. További kutatási lehetőségek, irányok . . . 98

7.4. Publikációk . . . 99 A. Ellenáramú hőcserélő: különböző részletezettségi szintű modellek I A.1. A hőcserélő egy cellás modellje . . . I A.2. A hőcserélő kaszkád modellje . . . II

(10)

Ábrák jegyzéke

1. Léptékek a folyamatmérnökségben [41] . . . 16

2. Egy egyszerűsített folyamatos granulátor kör . . . 20

3. Egy granulátor kör skálatérképe [57] . . . 24

4. Egy granulátor kör szintjei és a szintek közötti információcsere [57] . . 26

5. A szimptómák hierarchiája . . . 28

6. Egyszerű Petri háló . . . 32

7. Petri háló jelölőkkel . . . 33

8. Petri háló t1 átmenet tüzelése előtt és után . . . 34

9. Petri háló elemeinek dekompozíciója . . . 35

10. Rétegek és kapcsolataik a hierarchikus CPN modellben . . . 40

11. A granulátor dob CPN részhálója . . . 42

12. A szimptóma azonosítás réteg egy CPN részhálója . . . 43

13. A gyökér okok meghatározása réteg egy CPN részhálója . . . 44

14. Szimptómák és gyökér okok kapcsolata . . . 45

15. Ismeretalapú rendszerek felépítése . . . 50

16. A szakértői rendszer alapú diagnosztikai rendszer struktúrája . . . 56

17. A tudásbázis struktúrája . . . 57

18. Diagnosztikai eredmény - granulátor dob működésében bekövetkezett hiba . . . 64

19. Diagnosztikai eredmény - törő egység meghibásodása . . . 65

20. A multi-ágens diagnosztikai rendszer struktúrája . . . 78

21. A diagnosztikai ontológia egy része . . . 79

22. Az ágens részrendszer struktúrája és a részrendszeren belüli kommu- nikáció . . . 80

23. HAZOP és FMEA táblákon végzett következtetés . . . 81

24. A diagnosztikai következtetés lépései a granulátor kör folyamatábráján 81 25. A HAZOPFaultIsolatorAgent ágens következtetéseinek egy része . . . 83

26. A CompletenessCoordinatorAgent ágens üzeneteinek egy része . . . 83

27. Funkcionálisan azonos modellek és egyszerűsítéseik [70] . . . 85

28. Megnövekedett kötőanyag betáplálási áram szimulációs eredményei . . 92

29. A granulátor kör modell struktúra térképe (ﬁnomított skálatérkép) . . 93

30. Szimulációs eredmény a granulátor dobba betáplált részecskék méret eloszlásának megváltozásakor . . . 94 31. Egy ellenáramú hőcserélő cella modellje . . . I 32. A hőcserélő kaszkád modellje . . . III 33. Egy hőcserélő cella modellje . . . III

(11)

Táblázatok jegyzéke

1. Egy HAZOP eredménytábla szerkezete . . . 14 2. Egy FMEA eredménytábla szerkezete . . . 14 3. A granulátor dob modelljében szereplő változók listája . . . 23 4. A granulátor dobhoz kapcsolódó változók és szimptómák listája . . . 27 5. HAZOP tábla részlete az átlagos részecskeméret (d50) csökkenés esetén 27 6. HAZOP tábla részlet a granulátor dobból kilépő részecskeáramra . . . 29 7. Kötőanyag áramára vonakozó HAZOP tábla . . . 30

(12)

1. fejezet Bevezetés

Amit a cél elérésével kapunk közel sem olyan fontos, mint amivé válunk, amíg azt elérjük.

/Zig Ziglar/

A bonyolult és nagy méretű biztonságkritikus üzemek berendezéseinek meghibá- sodása elkerülhetetlen. A bekövetkező hiba, meghibásodás megváltoztatja a rendszer tulajdonságait, ezáltal a működését. Hibás működés esetén elengedhetetlen, hogy minél gyorsabban és pontosabban lokalizálni lehessen az esetleges hibát, majd ezen információ birtokában kell eldönteni, hogy ez milyen káros hatással lehet a jövőre nézve. Ha elegendő információ áll rendelkezésre, akkor az időben felismert hibát még korrigálni lehet.

Mint a legtöbb mérnöki területen, így a folyamatrendszerekben is fontos szerepet tölt be és az utóbbi időben egyre inkább előtérbe kerül a hiba detektálás és diagnosztika (Fault Detection and Diagnosis, FDD). Az abnormális (rendkívüli) események kezelésének (Abnormal Event Management, AEM) [117] manapság szintén nagy ﬁ- gyelmet szentelnek. A rendkívüli események kezelése, amelynek a hibadetektálás és -diagnosztika egyik fő eleme, egy rendszerben előforduló hibák abnormális feltéte- leinek időben történő detektálásával, diagnosztikájával és korrigálásával foglalkozik.

Mialatt az üzem/gyár egy irányítható normális üzemi tartományban üzemel, a hibák korai felismerése és diagnosztikája segít az abnormális események tovaterjedésének megakadályozásában és csökkenti a termelékenység kiesést. A folyamat hiba di- agnosztikának (process fault diagnosis) [59] hatalmas irodalma van az analitikus módszerektől a mesterséges intelligencián át a statisztikai megközelítésekig.

Az ipari statisztikák azt mutatják, hogy a nagyobb katasztrófák a vegyi üzemek hibáiból következnek be. A kisebb hibák nagyon gyakoriak (szinte nap mint nap bekövetkeznek), s ezek foglalkozási sérüléseket, megbetegedéseket és összességében több milliárd dolláros többletköltségeket okozhatnak [73]. Ezért nagyon fontos a hibákat, meghibásodásokat még korai szakaszukban felismerni, hogy az esetleges káros, súlyos következményeket el lehessen kerülni.

A dolgozatom ezen a nagyfontosságú és dinamikusan fejlődő területen, a komplex folyamatrendszerek diagnosztikájának területén mutat be új eredményeket.

A technológia fejlődésével egyre bonyolultabb üzemeket terveznek, építenek és működtetnek. Ezen összetett rendszerek leírására az utóbbi években egyre népsze- rűbb, többléptékű (multiscale) [24] modellezés tűnik a legalkalmasabbnak, annak

(13)

ellenére, hogy ez a legújabb módszer jelenleg még intenzív kutatás tárgya. A több- léptékű modellezés felhasználásával lehetőség nyílik szinte minden mérnöki területen (integrált tervezés, szabályozótervezés stb.) többléptékű módszerek kidolgozására.

A gyárak, üzemek operátorai sok esetben nem rendelkeznek megfelelő magas szintű szaktudással az általuk felügyelt, működtetett rendszerre vonatkozóan. A folyamat megfelelő működése során azonban kulcsfontosságú lehet egy abnormális esemény vagy veszély esetén a megfelelő időben meghozott megfelelő döntés illetve beavatkozás annak érdekében, hogy a rendszer visszakerüljön egy normális, biztonsá- gos működési módba. Ehhez azonban magas szintű, rendszerezett elméleti és gyakorlati tudásra van szükség. Ezek a heurisztikus működtetési információk beszerezhetők a veszély azonosítása és elemzése, valamint a károk felmérése és csökkentése során, felhaszálva az ún. folyamat működésképességi elemzés (Process Hazard Analysis, PHA) [25] módszerét. A PHA tanulmányokban számos módszert használnak, mint pl. a hibafa elemzést (Fault Tree Analysis, FTA), a működőképesség- és veszély- elemzést (Hazard and Operability Analysis, HAZOP) vagy a meghibásodásmód és -hatás elemzést (Fault Mode Eﬀect Analysis, FMEA).

Az operátori szaktudás esetleges hiányának pótlására olyan intelligens rendszerek támogatása szükséges, amelyek biztosítják a rendszer vagy üzem biztonságos mű- ködését. Ezen intelligens rendszerek a szakértőktől származó heterogén tudást (pl.

HAZOP, FMEA analízis eredményei) egy egységes keretrendszerben felhasználva működnek. Mivel minden üzem más és más, ezért nehéz egy egységes, tématerület- től független intelligens diagnosztikai rendszer megvalósítása.

1.1. Célkitűzés

Dolgozatom célja olyan predikción alapuló diagnosztikai algoritmusok és módszerek kidolgozása volt, amelyek komplex, több berendezést magában foglaló folyamatrendszerek meghibásodásakor képesek lokalizálni a hibát, majd a szakértők által meghatározott HAZOP és/vagy FMEA analízis eredményeinek segítségével megha- tározzák a hiba lehetséges helyét és annak következményeit a berendezés és/vagy rendszer működésére nézve, valamint tanácsot adnak a lehetséges beavatkozásokra, veszteség megelőzésre. Az algoritmusok kidolgozását és megvalósítási lehetőségeinek analízisét a mesterséges intelligencia területén szokásosan alkalmazott módszerek fel- használásával valósítottam meg, és az elkészített prototípus diagnosztikai rendszerek felhasználásával esettanulmányok segítségével mutattam be a kifejlesztett módsze- reket és eszközöket, és vizsgáltam meg tulajdonságaikat.

Munkám fő célkitűzése az volt, hogy megvizsgáljam különböző elterjedt mesterséges intelligencia módszerek alkalmazhatóságát komplex folyamatrendszerek diagnoszti- kájára. Ehhez az alábbi részfeladatokat tűztem ki és oldottam meg:

1. Egy színezett Petri háló alapú diagnosztikai keretrendszer elkészítése, amely

• egységes, homogén reprezentációját adja a predikción alapuló diagnosztikai rendszer valamennyi szükséges tudáselemének (többléptékű modell, HAZOP tábla, szimptómák),

(14)

• a felhasznált tudáselemeket alkalmas struktúrába szervezi,

• megvalósítható Design/CPN segítségével.

2. Egy olyan predikción alapuló diagnosztikai szakértői rendszer elkészítése, amely

• a diagnosztizálandó rendszerről rendelkezésre álló szakértői tudást (modell struktúra, HAZOP tábla) oly módon tudja tárolni, hogy azokon kö- vetkeztetéseket lehessen végrehajtani,

• on-line, valós időben képes rendszer hibákat vagy meghibásodásokat azo- nosítani,

• képes a többléptékű modell megfelelő részére fókuszálni,

• a szakértői tudást felhasználva az operátornak tanácso(ka)t tud adni a megelőző beavatkozásokra,

• megvalósítható valamilyen valós idejű működést támogató szakértői ke- retrendszerrel.

3. Egy olyan predikción alapuló diagnosztika multi-ágens rendszerrel való meg- valósítása, amely

• a diagnosztikai rendszerben lévő feladatokat egymással kommunikáló ágen- sek formájában valósítja meg,

• az egységes tudás ábrázolását és az ágensek közötti kommunikáció előse- gítését megfelelően felépített ontológiák felhasználásával valósítja meg,

• képes a HAZOP tábla mellett az FMEA táblákat is kezelni és következ- tetni mindkét ismerethalmazon,

• megvalósítható valamilyen multi-ágens fejlesztő keretrendszerben.

4. A fentiek eredményes elvégzéséhez szükségessé vált egy olyan többléptékű folyamatmodelleket egyszerűsítő eljárás elkészítése, amely

• diagnosztikai célra alkalmas és

• a mérnöki gyakorlatban szokásos egyszerűsítő lépéseket használ fel.

1.2. Az értekezés szerkezete

A dolgozat 7 fejezetet tartalmaz az alábbiak szerint.

A2. fejezetben a diagnosztikai feladatokban felhasznált eszközöket és módsze- reket ismertetem. A fejezet utolsó része az értekezés esettanulmányaiban használt konkrét folyamatrendszer, egy granulátor üzem leírását és modelljét tartalmazza.

A 3. fejezet a színezett hierarchikus Petri háló alapú predikción alapuló diagnosztikai rendszerrel foglalkozik. A fejezet első részében a Petri hálókkal kapcsolatos fogalmakat, a második részben pedig a Petri hálók diagnosztikai célra való

(15)

alkalmazhatóságának lehetőségeit tekintem át. A fejezet harmadik részében az ál- talam kifejlesztett Petri háló alapú diagnosztikai keretrendszer elemeit, szerkezetét és működését ismertetem. Végezetül egy prototípus diagnosztikai rendszer színezett hierarchikus Petri hálóval megvalósított diagnosztikai feladatait mutatom be egy esettanulmány segítségével.

A 4. fejezet a predikción alapuló diagnosztika szakértői rendszerrel történő megvalósítását tárgyalja, amely a szakértői rendszerekkel kapcsolatos fogalmak és módszerek áttekintésével kezdődik, majd ismerteti a diagnosztikai szakértői rendszerek jellemzőit. A fejezet harmadik részében a predikción alapuló diagnosztikai szakértői rendszer szerkezetét, fő elemeit és működését tárgyalom, végül az ismertetett szakértői rendszer alapú diagnosztikai rendszer egy alkalmazását mutatom be a granulátor körön.

Az 5. fejezet a multi-ágens alapú predikciós diagnosztikai rendszert tárgyalja.

A fejezet az ágensek és multi-ágens rendszerek alapfogalmainak ismertetésével indul, majd bemutatja az ágens-alapú diagnosztikai keretrendszer struktúráját, valamint a rendszer fő elemeit. Végül az ismertetett módszert és a prototípus multi-ágens rendszert egy műtrágyagyártó granulátor körön mutatom be.

A 6. fejezet a korábbi fejezetekben bemutatott és alkalmazott predikción ala- puló diagnosztikai rendszerben predikciós céllal felhasznált többléptékű folyamatmodellek egyszerűsítésével foglalkozik. A modell egyszerűsítés általános probléma kitűzésének ismertetése után a többléptékű modellek diagnosztikai célú modell egy- szerűsítésének problémakitűzését mutatom be, majd ismertetem a többléptékű modellek modell egyszerűsítésének elvi lépéseit. Végül a fejezetben bemutatott elvi modell egyszerűsítő lépéseket egy műtrágyát előállító granulátor dob példáján il- lusztrálom.

A 7. fejezetben a korábbiakban bemutatott predikción alapuló diagnosztikai rendszerek összehasonlítását végzem el. A fejezet második részében dolgozatom főbb eredményeit, a javasolt téziseket foglalom össze, valamint a fejezet harmadik részében a további kutatások lehetséges irányait határozom meg.

1.3. Jelölések

Az alábbiakban a dolgozatban végig, általánosan alkalmazott jelöléseket, rövidíté- seket foglalom össze.

Rövidítések:

F T A Fault-Tree Analysis (Hibafa-elemzés)

HAZOP HAZard and OPerability analysis (működőképesség- és veszélyelemzés) F M EA Fault Mode Eﬀect Analysis (Meghibásodásmód és -hatás elemzés) F M ECA Failure Mode and Eﬀects Criticality Analysis (Meghibásodásmód,

-hatás és hibakritikusság elemzés)

P HA Process Hazard Analysis (Folyamat működésképességi elemzés) M AP monoammónium foszfát, (N H₄)H₂P O₄

DAP diammónium foszfát, (N H4)2HP O4

CP N Coloured Petri Net (színezett Petri háló)

(16)

2. fejezet

A felhasznált eszközök és módszerek

Ebben a fejezetben összefoglalom a további fejezetekben szereplő és azok megérté- séhez szükséges fogalmakat és alapismereteket.

2.1. A predikción alapuló diagnosztika alapjai

A következőkben áttekintem a predikción alapuló diagnosztikához kapcsolódó alap- vető fogalmakat és módszereket.

2.1.1. A hibadetektálási és -diagnosztikai technikák áttekinté- se

Meghibásodások A működési egységekben, alrendszerekben (valamilyen szem- pontból káros) meghibásodások, hibák (failure, fault) keletkezhetnek. A hiba a berendezés valamely paraméterének vagy változójának nem megengedett eltérése a névleges értéktől. Hatása, fennállása lehet időszakos, ekkor zavarról beszélünk, vagy lehet állandó, ekkor változásnak nevezzük. Amennyiben az eltérés a funkcióvég- rehajtást is nemkívánatos módon befolyásolja, meghibásodás (failure) következett be. A meghibásodást a fentiek szerint az alábbi módon deﬁniálhatjuk: a rendszer működésében olyan esemény következett be, amely a rendszer tényleges funkcionali- tásának részleges vagy teljes módosulását vonta maga után, amelynek káros hatásai lehetnek a rendszerre, az emberekre és/vagy a környezetre.

A rendszerben keletkező meghibásodások eredhetnek emberi hibákból is (human error), amelyeket a rendszer tervezése, kivitelezése, kezelése és fenntartása során lehet elkövetni.

Hibamodellezés Egy hiba deﬁniálható úgy, mint egy változó legalább egy nem megengedett eltérése az elfogadható viselkedést leíró időfüggvénytől. A folyamat- rendszerekre vonatkozóan a hibák két csoportját különböztetjük meg: az additív hibák és a multiplikatív hibák osztályát. Az additív hibák hatása egy x_i változón hozzáadódik (ze=z0+xi), pl. érzékelők eltolódása. A multiplikatív hibák megszor- zódnak egy xj változóval (ze=z0·xj), pl. a paraméterváltozás.

(17)

Hibadiagnosztika Az irodalomban viszonylag kevés közlemény ad átfogó áttekin- tést a hibadiagnosztika területéről úgy, hogy együttesen veszi ﬁgyelembe az összes különböző típusú technikát. Egyes közlemények főleg a modell alapú megközelíté- sekre koncentrálnak [38, 59], mások reprezentatívan mutatják be a széles területen rendelkezésre álló hibadiagnosztikai technikákat [68]. Részletes és alapos összefog- laló található Venkatasubramanian et al. (2003) [117, 115, 116] háromrészes cikk- sorozatában a hibadetektálás és diagnosztika dolgozatomban tárgyaltakhoz hasonló módszereiről.

Az általános diagnosztikai feladat az alábbi formában fogalmazható meg.

Adott:

• egy rendszer (eszköz, ﬁzikai rendszer, ﬁziológiai rendszer, . . . ).

• a megﬁgyelések halmaza (mérések, tesztek, szimptómák, vizsgálatok, . . . ), amely az abnormális (nem várt, rendellenes,. . . ) viselkedésnek megfelel.

Feladat:

• meghatározni, hogy a rendszer normális állapotú-e (hibadetektálás), s ha nem, mi a rendszer hibamódja, milyen hiba következett be (hibaizoláció).

• beavatkozást keresni azzal a céllal, hogy a rendszer normális viselkedése visszaálljon (helyreállítás, újra konﬁgurálás,. . . ).

A hibadetektáló és -diagnosztikai módszerek három fő csoportba sorolhatók [58]:

• a modell nélküli módszerek,

• a modell alapú módszerek,

• tudás alapú módszerek.

A modell nélküli módszerek nem használják a rendszer modelljét. Például, ha a rendszer megközelíthetőleg egy állandósult állapot környezetében működik, akkor legtöbbször a határérték átlépés ellenőrzés jól működik. Ezen módszerek nagy előnye az egyszerűség és a gyorsaság és a megbízhatóság. A hátránya, hogy ha a rendszernek nincs vagy túl gyakran változik a működési tartománya. Mivel a rendszer bemenete gyakran változhat, ezért a változók határértékének ﬁgyelésének beállításai egy nehéz feladat.

A modell alapú módszerek lényege a jel és folyamatanalízisen alapuló analitikus redundancia vizsgálata. A mérhető jelek analízise leggyakrabban korrelációs függ- vényeket, frekvenciatartománybeli vagy statisztikai döntéselméleti vizsgálati mód- szereket alkalmaznak. A folyamatok analíziséhez a modell alapú módszerek eseté- ben a folyamatok és meghibásodások matematikai modelljeivel együtt legtöbbször paraméter- és állapotbecslőket és hibadetektáló szűrőket használnak [59]. Néhány fontos közlemény is ajánlható a modell alapú diagnosztikai módszerekről a teljesség igénye nélkül [20, 34, 105].

A tudás alapú módszerek a rendelkezésre álló heurisztikus ismereteken alapsza-

(18)

2.1.2. A predikción alapuló diagnosztika rendszerelméleti meg- közelítésben

A rendszerelméletben a dinamikus rendszerek leírására a bemenet-kimenet modellek mellett állapottér modelleket (state-space model) használnak [45]. Egy állapottér modell koncentrált paraméterű rendszerek esetén két egyenlethalmazból áll:

1. Állapot egyenletek leírják az állapotok időbeli változását a bemeneti és az ál- lapotváltozók függvényében.

2. Kimeneti egyenletek algebrai egyenletek formájában leírják a kimeneti jelek kapcsolatát a bemeneti- és állapotváltozók között.

Koncentrált paraméterű időinvariáns folytonos idejű lineáris rendszerek állapot- tér modellje a következő alakban írható fel:

˙

x(t) = Ax(t) +Bu(t) (állapot egyenlet) (1) y(t) = Cx(t) +Du(t) (kimeneti egyenlet) (2) egy adottx(t0) = x(0)kezdeti érték feltétellel, aholx(t)∈Rⁿaz állapotváltozókból álló vektor, u(t) ∈ R^r a bemeneti változókból álló vektor, y(t) ∈ R^p a kimeneti változókból álló vektor és A∈Rⁿ^×ⁿ, B ∈Rⁿ^×^r, C ∈R^p^×ⁿ, D∈R^p^×^r rendszermát- rixok.

A nemlineáris véges dimenziós (vagy koncentrált paraméterű) rendszerek a nem- lineáris rendszerek egy széles osztályát alkotják. A véges dimenziós nemlineáris rendszerek állapottér modellje [44] az alábbi általános alakban írható fel:

˙

x(t) = f(x(t), u(t)) (állapot egyenlet) (3) y(t) = h(x(t), u(t)) (kimeneti egyenlet) (4) egy adottx(t0) = x(0)kezdeti érték feltétellel, aholx(t)∈Rⁿaz állapotváltozókból álló vektor, u(t) ∈ R^r a bemeneti változókból álló vektor, y(t) ∈ R^p a kimeneti változókból álló vektor és f, h sima nemlineáris függvények.

A fentiekhez hasonló módon adható meg a diszkrét idejű lineáris és nemlineáris állapottér modellek általános alakja; a koncentrált paraméterű időinvariáns diszkrét idejű lineáris rendszerek állapottér modellje például az alábbi alakban írható fel:

x(k+ 1) = Φx(k) + Γu(k) (állapot egyenlet) (5) y(k) = Cx(k) +Du(k) (kimeneti egyenlet) (6) egy adottx(k0) =x(0)kezdeti érték feltétellel, aholx(k)∈Rⁿaz állapotváltozókból álló vektor, u(k) ∈ R^r a bemeneti változókból álló vektor, y(k) ∈ R^p a kimeneti változókból álló vektor és Φ, Γ, C, Dmegfelelő dimenziójú rendszermátrixok.

A koncentrált paraméterű időinvariáns diszkrét idejű nemlineáris rendszerek ál- lapottér modellje pedig az alábbi alakban adható meg:

x(k+ 1) = φ(x(k), u(k)) (állapot egyenlet) (7) y(k) = γ(x(k), u(k)) (kimeneti egyenlet) (8)

(19)

egy adottx(k0) =x(0)kezdeti érték feltétellel, aholx(k)∈Rⁿaz állapotváltozókból álló vektor, u(k) ∈ R^r a bemeneti változókból álló vektor, y(k) ∈ R^p a kimeneti változókból álló vektor és ésφ, γ sima nemlineáris függvények.

A rendszereket a külső környezetből zavarások érhetik. A zavarásokat legtöbb- ször, mint a rendszer egy nem manipulálható bemenetét lehet modellezni. A folyamat hibák tehát olyan zavarásoknak tekinthetők, amelyek a rendszerre hatnak és változást okozhatnak a rendszer kimenetén függetlenül a mért bemenetektől. A lineáris időinvariáns folytonos idejű (1)-(2) állapottér modell zavaró változókkal ki- bővített alakja az alábbi formában írható fel:

˙

x(t) = Ax(t) +Bu(t) +Bdz(t) (9)

y(t) = Cx(t) +Du(t) (10)

egy adottx(t0) = x(0)kezdeti érték feltétellel, aholx(t)∈Rⁿaz állapotváltozókból álló vektor, u(t) ∈ R^r a bemeneti változókból álló vektor, y(t) ∈ R^p a kimeneti változókból álló vektor, z(t) ∈ R^k a zavarásvektor és A, B, Bd, C, D megfelelő dimenziójú rendszermátrixok.

Folyamatirányítási feladatok A folyamatirányítás feladata, hogy az üzem vi- selkedését irányítsa annak érdekében, hogy egy előre meghatározott célt elérjen. Így a folyamatirányításhoz kapcsolódó feladatok gyakran aktív feladatok abban az érte- lemben, hogy jeleket határoznak meg, amelyek hatással vannak az üzemre. Ezek a jelértékek a beavatkozó adatok, és általában a mért értékekből határozhatók meg.

Az aktív irányítási vagy szabályozási részfeladat mellet a folyamatirányítási feladatok gyakran tartalmazzák a szabályozáshoz szükséges előkészítési vagy segéd feladatokat [43], mint például szűrés, identiﬁkáció vagy diagnosztika.

Állapotszűrés A szabályozók nagy része (pl. pólusáthelyező-, optimális- és robosztus szabályozók) állapotvisszacsatolást használ, amelyek felhasználják a a be- avatkozó bemenet meghatározásához az aktuális állapot értékeit. Mivel valamennyi az állapotváltozó értéke rendszerint nem mérhető közvetlenül, ezért csak a rendelke- zésre álló mérési adatokat lehet felhasználni, amelyek gyakran mérési zajjal terhel- tek. Ezért sok esetben szükséges állapotszűrést alkalmazni az állapot jelek értékeinek megbecsüléséhez. A legismertebb állapot szűrő módszer a Kalman szűrő.

Identiﬁkáció A szabályozó eljárások megtervezéséhez szükséges egy teljes dinamikus rendszermodell, amelyen modell struktúrát és modell paramétereket értünk.

Egyes paraméterek értékei gyakran nem ismertek, vagy időben változók is lehetnek.

Ezért szükséges identiﬁkációs eljárásokat alkalmazni a rendszer struktúrájának és paramétereinek meghatározására.

Diagnosztika A diagnosztika célja, hogy különböző meghibásodási módokban felfedezi, detektálja és izolálja a rendszerhibákat és meghibásodásokat a mért ada- tokból és a jó, valamint a hibás működést leíró rendszer modellekből. A diagnosztika az operátorok számára magas szintű információt szolgáltat a rendszer állapotáról,

(20)

Ha a diagnosztizálandó dinamikus rendszer rendszerelméleti modellje rendelke- zésünkre áll, akkor két típusú diagnosztikát végezhetünk [43]: a predikciós hibán alapuló diagnosztikát és az identiﬁkáción alapuló diagnosztikát.

Predikción alapuló diagnosztika

A predikción alapuló diagnosztika probléma kitűzése az alábbi alakban fogalmazható meg.

Adott:

• a vizsgált meghibásodási módok száma, N_F beleértve a hibamentes modellt is, amelyet 0-val jelölünk.

• egy D mérési rekord:

D[1, k] ={ (u(τ), y(τ))| τ = 1, ..., k }

• a predikált diszkrét idejű parametrizált dinamikus rendszer modellek halmaza, amelyek leírja a rendszert az Fi meghibásodási módokban:

y^(Fⁱ⁾(k+ 1) =M^(Fⁱ⁾ D[1, k]; p^(Fⁱ⁾

, k = 1,2, ... (11) ahol F_i, i= 0,1, ..., N_F a hiba azonosítja és p^(Fⁱ⁾ paraméterek ismertek.

• egy J^(Fⁱ⁾, i= 0,1, ..., N_F veszteségfüggvény:

J^(Fⁱ⁾(y−y^(Fⁱ⁾, u) =

k

X

τ=1

r^(i)T(τ)Qr⁽ⁱ⁾(τ)

(12)

r⁽ⁱ⁾(τ) =y(τ)−y^Fⁱ(τ) , τ = 1,2, ...

ahol Q pozitív deﬁnit szimmetrikus súlyozó mátrix.

Feladat: meghatározni a rendszer azon meghibásodási módját, amelynél a modell index F_i és a (11) egyenlettekkel leírt modellekhez rendelt (12) egyen- lettel megadott veszteségfüggvényt minimalizálja.

Identiﬁkáción alapuló diagnosztika

Az identiﬁkáció alapuló diagnosztika probléma kitűzése a következő alakban fogal- mazható meg.

Adott:

• a vizsgált meghibásodási módok száma, NF beleértve a hibamentes modellt is, amelyet 0-val jelölünk.

• egy D mérési rekord:

D[1, k] ={ (u(τ), y(τ))| τ = 1, ..., k }

(21)

• a predikált diszkrét idejű parametrizált dinamikus rendszer modellek halmaza, amelyek leírja a rendszert az Fi meghibásodási módokban:

y^(Fⁱ⁾(k+ 1) =M^(Fⁱ⁾(D[1, k];p^(Fⁱ⁾) , k= 1,2, ... (13) ahol Fi, i= 0,1, ..., NF a hiba azonosítja és p^(Fⁱ⁾ paraméterek ismertek.

• egyJ^(Fⁱ⁾, i= 0,1, ..., NF veszteségfüggvény, amely függ a paraméterektől:

J^(Fⁱ⁾(pêstFⁱ−p^(Fⁱ⁾, u) = ρ^(i)TQρ⁽ⁱ⁾ (14) ahol Qpozitív definit szimmetrikus súlyozó mátrix,pêstFⁱ a becsült para- méterek vektora azF_i meghibásodási módban, amely a mért rekordon és a

ρ⁽ⁱ⁾ =p^estFⁱ−p^(Fⁱ⁾ paraméterkülönbségen alapul.

Feladat: meghatározni a rendszer azon meghibásodási módját, amelynél a modell index Fi és a (13) egyenlettekkel leírt modellekhez rendelt (14) egyen- lettel megadott veszteségfüggvényt minimalizálja.

2.1.3. A predikción alapuló diagnosztika tudásalapú megköze- lítésben

Ha a hiba detektálás és diagnosztika a valós üzemi adatok és egy dinamikus modell által generált predikált értékek összehasonlításán alapszik, akkor predikció alapú di- agnosztikáról beszélünk. A diagnosztika szempontjából információt hordozó eltéré- sekből ún. szimptómákat képezünk, amelyek a tudásalapú diagnosztikai módszerek bemenetei.

A tudás alapú módszerek a megﬁgyelt szimptómákról és a folyamatrendszerről rendelkezésre álló heurisztikus ismereteken alapszanak. Ha nem áll rendelkezésre in- formáció a hibák-szimptómák ok-okozatiságára vonatkozóan, akkor a tapasztalatok alapján tanított statisztikai vagy geometriai osztályozó módszereket alkalmaznak hibadiagnosztikára. Ha a hibák-szimptómák ok-okozatiságát le lehet írni „if-then”

alakú szabályokkal, akkor a következtetési módszereket alkalmaznak.

A tudásalapú diagnosztikai technikák nem csak a felhasznált információk típusá- ban különböznek, hanem a diagnosztikai keresési stratégiákban is. Általában a diagnosztikai keresési stratégia erősen függ az ismeretek reprezentációs sémájától, amelyet az a’priori ismeretek sajátosságai határoznak meg. Ezért a felhasznált a’priori információk (a meghibásodások halmaza, a megﬁgyelések (szimptómák) és meghi- básodások közötti relációt leíró kapcsolatok) típusa a legfontosabb megkülönböztető sajátosság a tudásalapú diagnosztikai rendszerekben. Az a’priori információt fel- használó diagnosztikai módszerek csoportosítását és részletes ismertetését Venkata- subramanian et al. (2003) [117, 115, 116] közleményeiben tárgyalja.

A diagnosztikai keresési stratégiák alapján a diagnosztikai módszerek három alapvető típusú algoritmusa különböztethető meg az ismeretgyűjtés és -értelmezés formája szerint [59]: osztályozási módszerek, következtető módszerek és ezek kom-

(22)

Az osztályozási módszerek, amelyek a geometriai, statisztikai, neurális és polino- miális osztályozásokat foglalják magukba, általában referencia mintákat használnak fel tanulás céljából. A következtető módszerek nyelvi szabályokon alapszanak. Ezek a diagnosztikai rendszerek legtöbbször fuzzy szabályokat [72] alkalmaznak, amellyel egy ún. közelítő következtetést érnek el. Ennek a megközelítésnek az a problémája, hogy nagyon időigényes a szabályok megalkotása és a későbbiekben a szabálybázis módosítása. A két módszert együttesen használják például az adaptív neuro-fuzzy rendszerek [21].

A fenti általános áttekintés alapján kialakítottpredikción alapuló tudásalapú diagnosztikai rendszer elemeit összegzem a következőekben.

Gyökér ok A tudás alapú hiba detektálásban és diagnosztikában a rendszer minden meghibásodási módjához rendelhető egy ún. gyökér ok. Ezen gyökér okok bekövetkezésének egy variációja adja egy hiba okát. A gyökér okok gyakran nem mérhetők és diszkrét értékűek (indikátor változók), így egy gyökér ok rendszerelmé- leti szempontból úgy írható le, mint egy nem mérhető zavarás egy diagnosztikai célú folyamatrendszerben.

Szimptómák Egy mérhető vagy számítható mennyiségeken deﬁniált relációt szimp- tómának nevezünk, ha kapcsolódik egy tetszőleges meghibásodás vagy hiba egy gyö- kér okához. A szimptómák működési szempontból felismert devianciák, amelyeket a rendszer dinamikus viselkedése következtében időfüggő módon azonosíthatunk. Egy szimptóma deﬁníciójában szereplő relációk leggyakrabban egyenlőtlenségekként je- lennek meg. A szimptómák értékkészlete a logikai értékek halmaza (igaz vagy ha- mis). Egy egyszerű példa szimptómára a

temperature_high = (T >1000K), amelyet a mérhető T hőmérséklet segítségével deﬁniálunk.

Dinamikus rendszerek esetében a mérhető mennyiségek többsége olyan változó, amely időben változó értéket vesz fel, ezért egy szimptóma értéke (vagy jelenléte) szintén egy időben változó mennyiség.

Szimptómák és célok A funkciók írják le egy rendszer vagy egy komponens sze- repeit, amelyek szükségesek a tervezett működési vagy folyamat célok eléréséhez. A funkciók természetesen kapcsolódnak azokhoz a részrendszerekhez vagy rendszerele- mekhez, amelyek ahhoz szükségesek, hogy elérjük a folyamat célokat. Ez a kapcsolat formálisan oly módon valósul meg, hogy a funkciókat normális esetben a kapcsolódó rendszerelemek tulajdonságainak időfüggő értékeivel írjuk le. Egy egyszerű példa a

temperature_normal= (900K ≤T ≤950K) funkció valamely T hőmérsékletre a rendszerben.

Másfelől egy célhoz kapcsolódó szimptóma tartalmaz egy funkció-viselkedés típu- sú ismeretet. A viselkedés az összekapcsolt folyamatrendszerből származó összetett

(23)

hatás, amely tartalmazza mind a technikai, mind az emberi komponenseket. A viselkedés tekinthető úgy, mint a rendszerállapot időbeli trajektóriáinak összessége.

Ha egy szimptómához kapcsolódó feltétel teljesül, akkor a kapcsolatban álló rendszerelem nem teljesíti a vele kapcsolatos célokat. Ez egyrészt kapcsolódási pontot szolgáltat a hiba detektálás és diagnosztika között, másrészt egy kapcsolatot is ad a szimptómák és célok között a komponensek és részrendszerek funkcióin keresz- tül. Ennek önmagában van egy hierarchikus természete a rendszer tervezésben a komponensektől a részrendszereken át a rendszerekig.

Fontos kiemelni, hogy a célok rögzítenek egy elvárt folyamatrendszer tulajdon- ságot, amely gyakran időinvariáns. Egy egyszerű példa lehet egy kapcsolódó szimp- tóma és funkció párra az előző egyszerű szimptóma és funkció, amelyek a közös T hőmérséklet változón keresztül függenek össze.

Diagnosztikai szcenárió Hasonlóan az input-output szcenárióhoz, amely a kap- csolódó be- és kimeneti jelek egy véges rekordja, a diagnosztikai szcenárió az azonos családhoz tartozó (azaz ugyanazon mérhető kimeneti jel feletti) szimptómák egy időbeli sorozata.

Ha veszünk egy mérhető változót, és ezen deﬁniálunk egy szimptómát mint kva- litatív változót, akkor egy diagnosztikai szcenárió tekinthető úgy, mint a rendszer egy kvalitatív értékű kimeneti jele.

A meghibásodások hatásának elemzése A rendszer viselkedését minden ﬁ- gyelembe vett meghibásodási módjában leíró dinamikus rendszermodell segítségével predikcióval meghatározható(ak) egy hiba vagy meghibásodás (időbeli) következmé- nye(i) [117, 115, 116]. Ez elvégezhető szimulációval, amely megjósolja a meghibáso- dott rendszer viselkedését. Súlyos és/vagy kockázatos következmények elkerülésére ajánlott megelőző beavatkozások szintén tervezhetők és/vagy tesztelhetők szimulá- cióval.

Veszteségmegelőzés Gyakran nem elég, hogy felismerjük és izoláljuk egy rendszer hibás állapotát, hanem arra is szükség lehet, hogy tanácsokat adjunk a mű- ködtető személynek, hogy hogyan kerülje el a hiba nem szándékolt következményeit megfelelő megelőző beavatkozás(ok) kiválasztásával. Minden egyes (gyökér okával azonosítható) hibához rendelhető(k) kitüntetett bemeneti jel(ek), amely(ek) a rendszert a tranziensének kezdeti fázisából kiindulva megpróbálja(k) megelőzni a súlyos következményeket vagy megpróbálja(k) visszavinni a rendszert a normális működési tartományba.

Ez vezethet operátor tanácsadó rendszerek (Oparator Guidance System, OGS) fejlesztéséhez. Ezen esetekben további „what if” (mi van akkor, ha) típusú feltételes predikciók szükségesek egy veszteségmegelőző beavatkozás hatásának vizsgálatához.

2.2. Veszélyelemzés, veszélyazonosítás

A hibadetektálási és diagnosztikai feladatokhoz [117] szükséges információk eltérő karakterisztikával jellemezhető különféle forrásokból nyerhetők ki. Ezek az infor-

(24)

mációforrások tartalmazzák a koncepcionális tervezési tanulmányokat és a kocká- zatelemzést, ezen túlmenően a részrendszerek vagy konkrét működési módok [45]

részletes dinamikus modelljeit, továbbá operátoroktól és egyéb üzemi munkások- tól származó heurisztikus működtetési tapasztalatokat. A heurisztikus informáci- ók beszerezhetők a veszélyek azonosítása és elemzése, valamint károk felmérése és csökkentése során, felhasználva az úgynevezett folyamat működésképességi elemzés (Process Hazard Analysis, PHA) módszerét.

Többféle módszert használnak a PHA tanulmányokban, úgy mint a

• működőképesség és veszélyelemzés (Hazard and Operability Analysis, HAZ- OP),

• hibafa-elemzést (Fault-Tree Analysis, FTA),

• meghibásodásmód és -hatás elemzést (Fault Mode Eﬀect Analysis, FMEA).

2.2.1. Működőképesség- és veszélyelemzés (HAZOP)

A gyakorlatban igen elterjedt a veszélyelemzési módszerek között a működőképesség- és veszélyelemzés vagy működésbiztonsági veszélyelemzés (HAZard and OPerability analysis, HAZOP) [31, 32, 53, 65, 67, 77]. Az 1960-as évek végén az Imperial of Chemical Industries (ICI) vegyipari technológiai rendszerekhez dolgozta ki a bizton- ságtechnikai veszélyek meghatározására és kiértékelésére, valamint azoknak az üze- meltetési problémáknak az azonosítására, amelyek károsan befolyásolják egy üzem előírt működését. A HAZOP elemzés során több műszaki tudományterület képvi- selőiből álló munkacsoport kreatív és módszeres megközelítést alkalmaz azoknak a veszélyeknek és üzemeltetési problémáknak a feltárásához, amelyek a rendeltetéssze- rű, normális működéstől való eltérésből erednek, és amelyek káros következményekkel járhatnak. A HAZOP elemzésnek az az elve, hogy a rendszer paramétereinek vagy változóinak normális állapottól való eltérését a már létező vagy kialakulóban lévő hibák okozzák.

Az elemzés során előre meghatározott, ún. vezérszavakat (guide words) [66]

(pl. MORE, LESS, NONE, . . .) használnak. Ezeket a vezérszavakat az üzem folyamatábrája szerinti különböző területeken alkalmazzák és meghatározott folya- matjellemzőkkel kombinálva állításokat fogalmaznak meg a rendeltetésszerű üzemi működéstől való eltérés meghatározása érdekében. A HAZOP elemzés során felsorol- ják a potenciális hiba okokat és a következményeket, valamint a hibákhoz rendelhe- tő megelőző/védelmi intézkedéseket az általános tapasztalatok alapján. A HAZOP elemzés eredményét rendszerint táblázatos formátumban foglalják össze. Egy példa látható az 1. táblázatban.

A módszer meglehetősen időigényes és ebből következően igen költséges. A vizs- gálat rendszerszintű (és nem rendszerelem szintű), és ennélfogva alapvetően magára a technológiára (és nem pl. a gépészetre) irányul.

2.2.2. Meghibásodásmód és -hatás elemzése (FMEA)

A meghibásodásmód és -hatás elemzése vagy hibamód és hatáselemzés (Fault Mode Eﬀect Analysis, FMEA) [2, 52] tetszőleges rendszerek, alrendszerek, berendezések,

(25)

Vezérszó Eltérés Lehetséges okok Következmények Megelőző intézkedések

... ... ... ...

1. táblázat. Egy HAZOP eredménytábla szerkezete

funkciók, technológiai eljárások diagnosztikai szempontú minőségi analízise. Első- sorban mechanikai és villamos berendezések meghibásodásának vizsgálatára hasz- nálják, ellentétben a HAZOP módszerrel, amely a rendszerben zajló folyamatok egymásutániságát, ok-okozati kapcsolatait elemzi.

Az FMEA feltérképezi maguknak a berendezéseknek, alrendszereknek a lehetsé- ges meghibásodását, és a meghibásodások helyi és rendszer szintű következményeit.

Az egyes meghibásodásokat a rendszeren belüli többi meghibásodástól független eseménynek tekintik, kivéve azokat a hatásokat, amelyeket maga a meghibásodás okozhat.

Az FMEA analízis eredményét táblázatos formában rögzítik a 2. táblázattal jel- lemezhető struktúrában.

Komponens / Meghibásodási Lehetséges Érzékelés Kihatása más Kihatása a

Berendezés mód okok módja komponensekre rendszerre

... ... ... ...

2. táblázat. Egy FMEA eredménytábla szerkezete

Az FMEA egy kiterjesztett változata a meghibásodásmód, -hatás és hibakritikus- ság elemzésnek (Failure Mode and Eﬀects Criticality Analysis, FMECA) [2] nevezett módszer, amelynek célja (az FMEA céljain kívül) azon berendezések, alrendszerek hibakritikusságának ártalompotenciáljuk szerinti rangsorolása a rendszerelemek által okozható károk által jellemezhető skálán, amelyek személyi sérülést, károkat vagy egyéb rendszersérülést okozhatnak az egyedi meghibásodások következtében.

A FMECA eredményeként megadhatók azok a rendszerelemek, amelyekre nagyobb ﬁgyelmet kell fordítani.

2.3. Többléptékű modellezés

A legújabb technológiai előrelépések eredményeként létrejövő egyre bonyolultabb folyamatok és rendszerek jelentős kihívásokat jelentenek a tervezés, az analízis, az optimalizálás, az irányítás, a működtetés és a diagnosztika területén. Az ilyen komplex rendszerek leírására alkalmas többléptékű modellezés elterjedése és alkalmazása a benne rejlő lehetőségek (pontosság, rugalmasság, számítási hatékonyság) kiakná- zásával ezért egyre növekszik.

A többléptékű modellek gyakorlati alkalmazása az utóbbi 15 évben nagy elő- relépést mutat különböző tudományterületeken. Ezzel párhuzamosan megnőtt az

(26)

Többen foglalkoznak a többléptékű modellezés általános, egységes alapelveinek és eszközeinek fejlesztésével [41, 78, 42, 86, 55].

2.3.1. Időskála, méretskála és skálatérkép

Egy többléptékű modell (multiscale model) [55] egy összetett matematikai modell, amely két vagy több részleges modellből áll, amelyek különböző léptékszinteken (scale) írják le a jelenségeket. A léptékszintek (vagy skálák) általában az objektumok karakterisztikus ideje vagy mérete mentén alakíthatók ki és tartalmazzák a modell által leírt jelenségeket.

Harder és Roels (1982) [47] közleménye alapján az alábbi módon deﬁniáljuk az idő- és méretskálák egységét:

• Időskála (time scale)egy egysége azon idő nagyságrendje, amennyi idő szük- séges ahhoz, hogy egy jelenség egy külső feltételekben bekövetkező változásra válaszoljon.

• Méretskála (length scale) egy egysége azon objektumok kiterjedésének nagyságrendje, amely tartalmazza a vizsgált jelenséget.

Két diagram típust használnak a rendszerek többléptékű természetének leírásá- hoz: a szervezeti (organisational) diagramokat és a skálatérképeket (scale map). A szervezeti vagy összetettségi diagramok megmutatják, hogy egy rendszerben milyen részrendszerek vagy folyamatok fordulnak elő, és elhelyezik őket egy idő- vagy mé- retskála hierarchiában. A skálatérképek objektumok, folyamatok vagy jelenségek elhelyezkedését ábrázolják a karakterisztikus idő vagy méret vagy mindenkettő szerint logaritmikus tengelyen. Az 1. ábra egy skálatérképet, a dolgozatban később kulcsszerepet játszó folyamatrendszerek általános skálatérképét mutatja az idő- és méretskálák mentén.

A skálatérképek (scale map) jellemzői:

• hozzávetőleges, nagyságrendi különbségeket mutatnak;

• az ábrázolt skálaegységek részlegesen átfedhetik egymást;

• gyakran létezik egy átlós kapcsolat az idő- és méretskálák között;

• különböző perspektívákból jelenítik meg ugyanazt a rendszert, megvilágítva az objektumokat, folyamatokat, elméleti és gyakorlati technikákat, amelyek lényegesek minden szinten.

2.3.2. A többléptékű modellezés lépései

Egy többléptékű modell megépítésének legfontosabb, a többléptékű modell kiala- kítása szempontjából speciﬁkus lépéseit Ingram és Cameron (2002) [54] az alábbi három feladatban határozza meg:

• a többléptékű modellben az idő- és méretskálák meghatározása és kiválasztása;

(27)

1. ábra. Léptékek a folyamatmérnökségben [41]

• alkalmas modellek alkalmazása vagy megalkotása minden egyes skálán, amely fontos;

• a részmodellek összekapcsolása vagy integrálása egy koherens többléptékű mo- dellé.

A fenti lépéseket a folyamatmodellek felállítására használt 7 lépéses modellezési eljárás [45] lépéseivel összhangban kell alkalmazni.

2.4. Többléptékű modellek diagnosztikai célvezérelt modellezése és szimulációja

A szakirodalomban jelenleg nincs egy kiforrott vagy elfogadott módszer többlép- tékű folyamatmodellek építésére, ezért sok kutató foglalkozik ezen tématerülettel.

Néhány közlemény foglalkozik különböző típusú többléptékű folyamatmodellek épí- tésével (például Pantelides (2001) [86], Guo and Li (2001) [42], McGahey and Came- ron (2002) [80]), amelyből idővel egy módszertan születhet. Ugyanakkor egy másik fontos probléma ezen a területen, hogy milyen módon integráljuk a részmodelleket egy többléptékű folyamatmodell keretbe [56, 55].

Az alábbiakban ismertetek egy célvezérelt modellezési módszert többléptékű folyamatmodellek megépítésére [P5] és bemutatom, hogy hogyan használható fel egy ilyen modell dinamikus szimulációra.

(28)

2.4.1. Folyamatmodellezés

A modellezési probléma kitűzéséhez [45] két fő alkotóelemre van szükség:

• a modellezendő folyamatrendszer leírására, amely általában egy folyamatáb- rával jellemezhető (tartalmazza a rendszer határait, a rendszerben lejátszódó mechanizmusokat, a rendszer jellemző paramétereit, a rendszer be- és kimene- teit);

• a modellezési cél speciﬁkálására, amely meghatározza, hogy mennyire részle- tes, pontos modellre van szükség, illetve a rendszer mely sajátosságait kell a modellnek leírnia.

Modellezési eljárás A modellezési folyamat Hangos és Cameron (2001) [45] szerint ciklikus, iteratív és az alábbi 7 lépésre bontható fel:

(1) Modellezési probléma deﬁniálása (2) Mechanizmusok meghatározása (3) Adatok gyűjtése és értékelése (4) Modell elkészítése

(5) Modell megoldása

(6) Modell megoldásának ellenőrzése (7) Modell érvényességének ellenőrzése

A továbbiakban elsősorban a modell elkészítésével (4. lépés) és modell megoldásával vagy szimulációjával (5. lépés) foglalkozom.

2.4.2. Diagnosztika, mint többléptékű modellezési cél

A többléptékű modellezéskor a folyamatrendszer leírása ugyanúgy, mint a model- lezési cél egy többléptékű modellt igényelhet abban az esetben, ha nagyságrendi különbségek vannak a rendszerelemek méretbeli vagy időbeli viselkedése között.

Ahogy azt a 2.1.3 alfejezetben láthattuk, a predikción alapuló diagnosztikában általában szimptómákat használunk, amelyek a folyamatrendszer időben változó mennyiségeiből (változók vagy modell elemek) számíthatók ki. A HAZOP tábla és a szimptómák két olyan elemet alkotnak, amelyeket felhasználhatunk egy speciális diagnosztikai modellezési cél kifejezésére.

Diagnosztikai szempontból egy olyan folyamatmodell megépítése szükséges, amely

• dinamikus és képes leírni a rendszer időbeli viselkedését az összes ﬁgyelembe vett meghibásodási módban,

• képes meghatároznia ﬁgyelembe vett összes szimptóma időbeli változását,

• képes kezelni a rendelkezésre álló beavatkozó változók időbeli értékeit, hogy tesztelni lehessen a lehetséges beavatkozások hatását modell alapú predikció- val.

(29)

2.4.3. Többléptékű folyamatmodellek modellezési hierarchiája

Amikor a többléptékű folyamatmodelleket diagnosztikai célból hozzuk létre, álta- lában az időskálán egy a diagnosztika szempontjából fontos idő-szintet rögzítünk a rendszer meghatározó időállandói alapján. Így a modell hierarchiát csak a méret- és részletezettség skálák mentén deﬁniáljuk. Egy folyamatmodell hierarchiája a részle- tezettség skála mentén a következő:

1. rendszer/üzem

2. egységek, berendezések 3. fázisok

4. mérlegelési térfogatok 5. mérlegegyenletek

6. algebrai (kiegészítő) egyenletek 7. változók

Fontos megjegyezni, hogy a fenti szintek közül néhány hiányozhat és speciális esetekben más szintek is megjelenhetnek.

Az A. Függelék egy két részletezettségi szintű egyszerű folyamatrendszert, egy hőcserélőt mutat be illusztrációképpen. A többléptékű modell felső szintje az el- lenáramú hőcserélő berendezés szintje, alsó szintjén pedig a hőcserélő egy szeletét (berendezés-rész) modellje található.

A többléptékű modellek egy fontos meghatározó jellemzője, hogy a különbö- ző szinteken lévő részmodelljei általában erősen különböző jellegűek (fajtájúak) és különböző alapismereteket használnak fel. Például, lehet egy mérnöki modellünk néhány mérlegelési térfogatra, amelyet integrálunk egy tisztán heurisztikus szabály alapú modellel a berendezés szinteken.

2.4.4. Szimptóma hierarchia

Általában a szimptómák a kapcsolódási elemek a folyamatmodell és a modellezési cél hierarchiák között, mert

• van legalább egy mérhető változójuk vagy más rendszerelemük, amelyhez tár- sulnak és ezáltal a modell hierarchiába kapcsolódnak;

• funkciókhoz kapcsolódnak, vagy esetünkben a rendszer hibás működéseihez, amelyek kapcsolatban állnak a célokkal.

Így a szimptómák két hierarchiába is elrendezhetők vagy a modell vagy a cél hierarchia mentén. Mivel a többléptékű modelleket predikcióra akarjuk használni ahhoz, hogy egy gyökér ok vagy egy javasolt megelőző beavatkozás következményeit meg tudjuk határozni, egy olyan szimptóma hierarchiát használunk, amely a modell hie- rarchiáját követi a szimptómák deﬁniálásában szereplő változók vagy a modellelemek

(30)

2.4.5. Egy célvezérelt felülről lefelé haladó modellezési megkö- zelítés

A többléptékű folyamatmodellek építésére alkalmas ún. top-down (felülről lefelé haladó) megközelítés [24] a legdurvább skálájú részmodell megépítésével kezdődik, majd ennek elemeit pontosítjuk ﬁnomabb skálák menti részmodellekkel, ha szüksé- ges. A dolgozatomban ezt a megközelítést alkalmazom a diagnosztikai célvezérelt modellezési eljárásra, amelyben feltételezem, hogy a modellezési feladat a következő problémakitűzés formájában adott.

Adott:

• egy folyamatrendszer leírás a rendszer határaival, funkcióival és a fő me- chanizmusokkal,

• egy modellezési cél, mely szerint a modellnek le kell írnia az összes lehet- séges gyökér ok következményeit és a megelőző beavatkozások hatásait egy adott HAZOP tábla minden bejegyzésére.

Feladat: a legegyszerűbb (azaz minimális) többléptékű modell megépítése, amely képes ráfókuszálni a bekövetkezett eseményre a hierarchikusan dekom- ponált modell szükséges részeinek felhasználásával.

Ha a modellezési feladat a fenti speciális módon kerül kitűzésre, akkor a következő kiterjesztések szükségesek a 7 lépéses modellezési eljárás egyes/adott lépéseihez:

(1’) Szimptómákelőállítása a modellezési cél részeként adott HAZOP táblából (Ve- zérszó ésEltérés oszlopok)

(2’) Skálák (méret és részletezettség) és ezek maximális ﬁnomságának meghatáro- zása az adott rendszer leírásában szereplő irányítási faktorok (mechanizmusok) alapján.

(4’) A modellépítés top-down megközelítésének alkalmazása során a szimptómák formalizálása a modellelemekkel és a -változókkal, amelyek meghatározzák a szükséges skálákon a szükséges szinteket.

A kiterjesztések a folyamatrendszer és a diagnosztikai modellezési cél fentiekben tárgyalt sajátosságainak következményei. Ezen kiterjesztések segítségével lehet a modellezési eljárás során a megfelelő lépéseket elvégezni.

Ha a modellezési cél egy HAZOP tábla által adott, akkor ebből a szükséges szimp- tómák az (1’) lépésben könnyedén előállíthatók. Ezek a szimptómák a kulcselemei a fenti modellezési módszernek, ezek irányítják a későbbi modellezési lépéseket, és összekötő kapocsként szolgálnak a megépített többléptékű modell és a diagnosztika között.

A (2’) lépés egy olyan kiterjesztés, amely alapvető minden többléptékű modelle- zési probléma esetén [24]. Végül a (4’) lépés szükséges ahhoz, hogy formalizáljuk az (1’) lépésben meghatározott szimptómákat a modell változóival együtt, és formáli- san összekapcsoljuk a többléptékű modellt a diagnosztikával, pontosabban a gyökér ok identiﬁkációval.

(31)

Granulátor Szárító

Törõ

Rosták Termék

Újra feldolgozandó szemcsék

Méreten aluli Méreten felüli

Száraz szemcsék Nedves szemcsék

Részecske folyam

Kötõanyag

2. ábra. Egy egyszerűsített folyamatos granulátor kör

A megépített többléptékű folyamatmodellt alkalmazhatjuk predikcióra a valós folyamattal párhuzamosan úgy, hogy az meghatározza a potenciálisan veszélyes kö- vetkezményeket és tesztelje a lehetséges megelőző beavatkozások hatásait.

Fontos megjegyezni, hogy a bemutatott megközelítés erősen támaszkodik arra a feltételezésre, hogy a diagnosztikai célhalmaz HAZOP tábla formájában adott. Lé- teznek más alternatív módszerek ugyanezen információknak más forrásokból és/vagy más formátumokban történű kinyerésére abnormális események detektálásával és osztályozásával [117, 115, 116]. Egy egyszerű, ám hatékony módja a szimptómák megtalálásának a tanulás, amelyet Szücs et al. [107] ismertettek.

2.5. Egy konkrét folyamatrendszer: granulátor kör

A dolgozatban egy konkrét folyamatrendszer, egy granulátor kör segítségével mutatom be a kifejlesztett eszközöket és módszereket, valamint a kapott eredményeket.

Ebben a fejezetben ezért részletesen ismertetem a granulátor kör technológiájával, modellezésével és diagnosztikájával kapcsolatos mérnöki ismereteket a [76, 16] köz- lemények alapján.

2.5.1. Granulátor kör

A granuláció [76], mint a részecskefeldolgozó iparág egyik fontos eleme, egy részecske- méret-növelő folyamat, amelyet széles körben alkalmaznak például a gyógyszeripar- ban, a mezőgazdaságban és a műtrágyagyártásban. A granuláció során részecskéket (por) vezetnek egy keverő egységbe, amely adagonként vagy folytonosan agglome- rálódik a ráfecskendezett folyékony kötőanyag által addig, amíg el nem készül a granulált termék. Az üzemekben a méretnövelő folyamat mellé további műveleteket kapcsolnak, úgy mint szárítás vagy hűtés, keverés, méretosztályozás, méretcsökken- tés, őrlés. Ezen műveletek együttesét granulációs körnek [26] nevezik. Egy tipikus granulációs kör technológiai hatásvázlata látható a 2. ábrán.

Az általam vizsgált granulátor kört [16] a műtrágyagyártásban (N H4)H2P O4

monoammónium-foszfát (MAP) és (N H4)2HP O₄ diammónium-foszfát (DAP) elő- állítása használják, amelynek a fő berendezéseit az alábbiakban részletezem.