ترجمه فارسی مقاله تشخیص و شناسایی خطا از طریق ماژول های نظارت بر اساس خوشه های اندازه گیری های متقابل

چکیده

This work introduces a novel control-aware distributed process monitoring methodology based on modules comprised of clusters of interacting measurements. The methodology relies on the process flow diagram (PFD) and control system structure without requiring cross-correlation data to create monitoring modules. The methodology is validated on the Tennessee Eastman Process benchmark using full Principal Component Analysis (f-PCA) in the monitoring modules. The results are comparable to nonlinear techniques implemented in a centralized manner such as Kernel PCA (KPCA), Autoencoders (AE), and Recurrent Neural Networks (RNN), or distributed techniques like the Distributed Canonical Correlation Analysis (DCCA). Temporal plots of fault detection by different modules show clearly the magnitude and propagation of the fault through each module, pinpointing the module where the fault originates, and separating controllable faults from other faults. This information, combined with PCA contribution plots, helps detection and identification as effectively as more complex nonlinear centralized or distributed methods.

چکیده به فارسی (ترجمه ماشینی)

این کار یک روش جدید کنترل فرآیند توزیع شده با کنترل جدید را بر اساس ماژولها متشکل از خوشه های اندازه گیری های متقابل معرفی می کند.این روش به نمودار جریان فرآیند (PFD) و ساختار سیستم کنترل متکی است بدون نیاز به داده های همبستگی متقابل برای ایجاد ماژول های نظارت.این روش در معیار فرآیند تنسی ایستمن با استفاده از تجزیه و تحلیل کامل مؤلفه اصلی (F-PCA) در ماژول های نظارت تأیید شده است.نتایج قابل مقایسه با تکنیک های غیرخطی است که به صورت متمرکز مانند هسته PCA (KPCA) ، اتوآنمان ها (AE) و شبکه های عصبی مکرر (RNN) یا تکنیک های توزیع شده مانند تجزیه و تحلیل همبستگی متعارف توزیع شده (DCCA) قابل مقایسه هستند.توطئه های موقتی تشخیص گسل توسط ماژول های مختلف به وضوح میزان و انتشار گسل را از طریق هر ماژول نشان می دهد ، و ماژول را که در آن گسل سرچشمه می گیرد ، نشان می دهد و گسل های قابل کنترل را از سایر گسل ها جدا می کند.این اطلاعات ، همراه با توطئه های مشارکت PCA ، به تشخیص و شناسایی به عنوان روشهای پیچیده تر یا توزیع شده غیرخطی تر کمک می کند.