Predikción alapuló diagnosztika mesterséges intelligencia módszerek felhasználásával

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

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

Tartalmi kivonat A bonyolult és nagy méretű biztonságkritikus üzemek berendezéseinek meghibásodása elkerülhetetlen. Hibás működés esetén pedig elengedhetetlen, hogy minél gyorsabban és pontosabban lokalizálni lehessen az esetleges hibát, majd ezen információ 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 pótlására 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 részére 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 egységes 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.

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 corresponding 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’ communication 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.

Auszug Prediktionsbasierte Diagnostik mit Verwendung von künstlichen Intelligenzverfahren Diese Dissertation befaßt sich mit Forschung, Entwicklung und Analysis von bei großmaßstäblichen, komplexen Chemiefabriken (Prozessysteme) anwendbaren intelligenten 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 Expertenkenntiniss derart speichern kann, daß man daraus Folgerungen durchführen kann, weiterhin es kann die unterschiedlichen Fehler identifizieren und auf das entsprechende 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 Vereinfachungsprozess von mehrstufigen Prozessmodellen wird auch dargestellt, der zur Diagnostikszwecken dient und in der Ingenieurpraxis übliche Vereinfachungsschritte verwendet.

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 tapasztalatával segítette munkám előrehaladását. Szeretném megköszönni Prof. Ian T. Cameron-nak (The University of Queensland, Australia) kutatásaimhoz nyújtott támogatását és a lehetőséget, hogy meghívására 3 hónapot Brisbane-ben, az Egyetemen tölthettem, így biztosítva a kutatásomhoz szükséges konzultációs lehetőségeket. Hálával tartozom Gordon D. Ingram-nak és Bogdan Balliu-nak, hogy Ausztráliába érkezésen után segítették beilleszkedésemet és barátként mellettem állva könnyebbé tették a távollétet szeretteimtől. Köszönöm a Magyar Tudományos Akadémia Számítástechnikai és Automatizálási Kutató Intézet Rendszer- és Irányításelméleti Kutató Laboratórium vezetőjének, Dr. Bokor Józsefnek, hogy biztosította a kutatási lehetőséget, valamint kutatótársaimnak, Dr. Bartha Tamásnak, Fazekas Csabának, Károlyi Imrének, Kovács Ákosnak, Dr. Kulcsár Balázsnak, Magyar Attilának, Péni Tamásnak, Pongrácz Barnának, Dr. Szederkényi Gábornak, Varga Istvánnak, Weinhandl Zsuzsannának az együttműködést. Továbbá köszönöm a Laboratórium minden munkatársának a munkámhoz nyújtott segítséget. Köszönöm a Pannon Egyetem Számítástudomány Alkalmazása Tanszék munkatársainak az együttműködést. Köszönettel tartozom a Knorr-Bremse Fékrendszerek Kft-től Dr. Ailer Piroskának, 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.

Tartalomjegyzék 1. Bevezetés 1.1. Célkitűzés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Az értekezés szerkezete . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. Jelölések . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1 2 3 4

2. A felhasznált eszközök és módszerek 2.1. A predikción alapuló diagnosztika alapjai . . . . . . . . . . . . . . . . 2.1.1. A hibadetektálási és -diagnosztikai technikák áttekintése . . . 2.1.2. A predikción alapuló diagnosztika rendszerelméleti megközelítésben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.3. A predikción alapuló diagnosztika tudásalapú megközelítésben 2.2. Veszélyelemzés, veszélyazonosítás . . . . . . . . . . . . . . . . . . . . 2.2.1. Működőképesség- és veszélyelemzés (HAZOP) . . . . . . . . . 2.2.2. Meghibásodásmód és -hatás elemzése (FMEA) . . . . . . . . . 2.3. Többléptékű modellezés . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1. Időskála, méretskála és skálatérkép . . . . . . . . . . . . . . . 2.3.2. A többléptékű modellezés lépései . . . . . . . . . . . . . . . . 2.4. Többléptékű modellek diagnosztikai célvezérelt modellezése és szimulációja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1. Folyamatmodellezés . . . . . . . . . . . . . . . . . . . . . . . . 2.4.2. Diagnosztika, mint többléptékű modellezési cél . . . . . . . . . 2.4.3. Többléptékű folyamatmodellek modellezési hierarchiája . . . . 2.4.4. Szimptóma hierarchia . . . . . . . . . . . . . . . . . . . . . . . 2.4.5. Egy célvezérelt felülről lefelé haladó modellezési megközelítés . 2.5. Egy konkrét folyamatrendszer: granulátor kör . . . . . . . . . . . . . 2.5.1. Granulátor kör . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.2. A granulátor dob berendezés szintű modellje . . . . . . . . . . 2.5.3. Egy granulátor kör skálatérképe . . . . . . . . . . . . . . . . . 2.5.4. Granulátor dob: szintek, változók és mechanizmusok . . . . . 2.5.5. A granulátor dob modellhez kapcsolódó változók és szimptómák 2.5.6. A granulátor kör HAZOP táblája . . . . . . . . . . . . . . . .

5 5 5

16 17 17 18 18 19 20 20 21 24 25 26 26

3. Predikción alapuló diagnosztika Petri 3.1. Petri hálók . . . . . . . . . . . . . . . 3.1.1. Alacsony szintű Petri hálók . 3.1.2. Kiterjesztett Petri hálók . . .

31 31 31 35

i

hálókkal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7 10 12 13 13 14 15 15

3.2. Petri hálók diagnosztikai alkalmazásai . . . . . . . . . . . . . . . . . 3.3. Egy színezett Petri háló alapú diagnosztikai keretrendszer . . . . . . 3.3.1. A diagnosztikai keretrendszer elemei . . . . . . . . . . . . . 3.3.2. A keretrendszer szerkezete . . . . . . . . . . . . . . . . . . . 3.3.3. A keretrendszer működése . . . . . . . . . . . . . . . . . . . 3.3.4. Predikció . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4. Esettanulmány: színezett hierarchikus Petri háló alapú granulátor diagnosztikai rendszer . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.1. A granulátor diagnosztikai rendszer elemei . . . . . . . . . . 3.4.2. Ismeretek reprezentálása . . . . . . . . . . . . . . . . . . . . 3.4.3. Diagnosztikai eredmények . . . . . . . . . . . . . . . . . . . 3.4.4. A színezett Petri háló alapú diagnosztikai rendszer lehetséges alkalmazási módjai . . . . . . . . . . . . . . . . . . . . . . . 3.5. Összefoglalás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . .

38 39 39 40 41 41

. . . .

42 42 43 45

. 46 . 47

4. Predikción alapuló diagnosztika szakértői rendszerrel 4.1. Szakértői rendszerek . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1. Ismeretalapú technológia . . . . . . . . . . . . . . . . . . . . . 4.1.2. Az ismeretalapú rendszerek struktúrája . . . . . . . . . . . . . 4.1.3. Következtetési technikák . . . . . . . . . . . . . . . . . . . . . 4.1.4. Valós idejű szakértői rendszerek . . . . . . . . . . . . . . . . . 4.2. Diagnosztikai szakértői rendszerek az irodalomban . . . . . . . . . . . 4.2.1. A diagnosztikára felhasználható szoftver eszközök . . . . . . . 4.3. A predikción alapuló diagnosztikai szakértői rendszer . . . . . . . . . 4.3.1. A keretrendszer szerkezete . . . . . . . . . . . . . . . . . . . . 4.3.2. A többléptékű predikciós diagnosztikai szakértői rendszer fő elemei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.3. Predikciós diagnosztikai szakértői rendszer működése . . . . . 4.3.4. A keretrendszer szoftver moduljai együttműködésének szervezése 4.3.5. Predikció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. Esettanulmány: szakértői rendszer alapú granulátor diagnosztikai rendszer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.1. HAZOP tábla reprezentálása . . . . . . . . . . . . . . . . . . . 4.4.2. Diagnosztikai eredmények . . . . . . . . . . . . . . . . . . . . 4.5. Összefoglalás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

48 48 49 49 51 52 53 55 55 55

5. Predikción alapuló diagnosztika multi-ágens rendszerrel 5.1. Multi-ágens rendszerek . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1. Ágensek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.2. Multi-ágens rendszerek . . . . . . . . . . . . . . . . . . . . . 5.1.3. Ontológia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.4. Ontológiák és ágensek kapcsolata . . . . . . . . . . . . . . . 5.1.5. Multi-ágens rendszerek diagnosztikai alkalmazása . . . . . . 5.2. Predikción alapuló diagnosztika multi-ágens rendszerrel: a keretrendszer struktúrája . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.1. A diagnosztikai rendszer tudásreprezentációja . . . . . . . .

67 67 67 70 71 72 73

ii

. . . . . .

56 59 60 61 62 62 62 65

. 73 . 74

5.2.2. A multi-ágens diagnosztikai rendszer fő elemei . . . . . 5.2.3. Predikció . . . . . . . . . . . . . . . . . . . . . . . . . 5.2.4. A felhasznált multi-ágens szoftverek . . . . . . . . . . . 5.3. Esettanulmány: ágens alapú granulátor diagnosztikai rendszer 5.3.1. A granulátor diagnosztikai rendszer tudáselemei . . . . 5.3.2. Szimulációs eredmények . . . . . . . . . . . . . . . . . 5.4. Összefoglalás . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

6. Többléptékű modellek egyszerűsítése diagnosztikai célból 6.1. Modell egyszerűsítés . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1.1. Folyamatmodellek és modellezési céljaik . . . . . . . . . . . 6.1.2. Funkcionálisan ekvivalens folyamatmodellek . . . . . . . . . 6.1.3. Modell egyszerűsítés problémája . . . . . . . . . . . . . . . . 6.1.4. Elemi modell egyszerűsítő lépések . . . . . . . . . . . . . . . 6.1.5. Az elemi modell egyszerűsítő lépések tulajdonságai . . . . . 6.2. Modell egyszerűsítés diagnosztikai céllal . . . . . . . . . . . . . . . . 6.2.1. A modell egyszerűsítési eljárás . . . . . . . . . . . . . . . . . 6.2.2. Összehasonlítás más modellegyszerűsítési és modellredukciós módszerekkel . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3. Esettanulmány . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.3.1. Granulátor dob: a modell skálatérképe . . . . . . . . . . . . 6.3.2. Hiba szcenáriók és időskála szétválás . . . . . . . . . . . . . 6.4. Összefoglalás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7. Összefoglalás 7.1. A predikción alapuló diagnosztikai rendszer különböző megvalósításainak összehasonlítása . . . . . . . . . . . . . . . . . . . . . . . . . 7.2. Új tudományos eredmények . . . . . . . . . . . . . . . . . . . . . . 7.3. További kutatási lehetőségek, irányok . . . . . . . . . . . . . . . . . 7.4. Publikációk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . .

74 76 76 77 77 79 82

. . . . . . . .

84 84 84 85 86 86 87 88 89

. . . . .

89 90 90 90 91 95

. . . .

95 96 98 99

A. Ellenáramú hőcserélő: különböző részletezettségi szintű modellek A.1. A hőcserélő egy cellás modellje . . . . . . . . . . . . . . . . . . . . . . A.2. A hőcserélő kaszkád modellje . . . . . . . . . . . . . . . . . . . . . . .

I I II

iii

Ábrák jegyzéke 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33.

Léptékek a folyamatmérnökségben [41] . . . . . . . . . . . . . . . . . Egy egyszerűsített folyamatos granulátor kör . . . . . . . . . . . . . . Egy granulátor kör skálatérképe [57] . . . . . . . . . . . . . . . . . . . Egy granulátor kör szintjei és a szintek közötti információcsere [57] . . A szimptómák hierarchiája . . . . . . . . . . . . . . . . . . . . . . . . Egyszerű Petri háló . . . . . . . . . . . . . . . . . . . . . . . . . . . . Petri háló jelölőkkel . . . . . . . . . . . . . . . . . . . . . . . . . . . . Petri háló t1 átmenet tüzelése előtt és után . . . . . . . . . . . . . . . Petri háló elemeinek dekompozíciója . . . . . . . . . . . . . . . . . . Rétegek és kapcsolataik a hierarchikus CPN modellben . . . . . . . . A granulátor dob CPN részhálója . . . . . . . . . . . . . . . . . . . . A szimptóma azonosítás réteg egy CPN részhálója . . . . . . . . . . . A gyökér okok meghatározása réteg egy CPN részhálója . . . . . . . . Szimptómák és gyökér okok kapcsolata . . . . . . . . . . . . . . . . . Ismeretalapú rendszerek felépítése . . . . . . . . . . . . . . . . . . . . A szakértői rendszer alapú diagnosztikai rendszer struktúrája . . . . . A tudásbázis struktúrája . . . . . . . . . . . . . . . . . . . . . . . . . Diagnosztikai eredmény - granulátor dob működésében bekövetkezett hiba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagnosztikai eredmény - törő egység meghibásodása . . . . . . . . . A multi-ágens diagnosztikai rendszer struktúrája . . . . . . . . . . . . A diagnosztikai ontológia egy része . . . . . . . . . . . . . . . . . . . Az ágens részrendszer struktúrája és a részrendszeren belüli kommunikáció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . HAZOP és FMEA táblákon végzett következtetés . . . . . . . . . . . A diagnosztikai következtetés lépései a granulátor kör folyamatábráján A HAZOPFaultIsolatorAgent ágens következtetéseinek egy része . . . A CompletenessCoordinatorAgent ágens üzeneteinek egy része . . . Funkcionálisan azonos modellek és egyszerűsítéseik [70] . . . . . . . . Megnövekedett kötőanyag betáplálási áram szimulációs eredményei . . A granulátor kör modell struktúra térképe (finomított skálatérkép) . . Szimulációs eredmény a granulátor dobba betáplált részecskék méret eloszlásának megváltozásakor . . . . . . . . . . . . . . . . . . . . . . Egy ellenáramú hőcserélő cella modellje . . . . . . . . . . . . . . . . . A hőcserélő kaszkád modellje . . . . . . . . . . . . . . . . . . . . . . . Egy hőcserélő cella modellje . . . . . . . . . . . . . . . . . . . . . . .

iv

16 20 24 26 28 32 33 34 35 40 42 43 44 45 50 56 57 64 65 78 79 80 81 81 83 83 85 92 93 94 I III III

Táblázatok jegyzéke 1. 2. 3. 4. 5. 6. 7.

Egy HAZOP eredménytábla szerkezete . . . . . . . . . . . . . . . . . Egy FMEA eredménytábla szerkezete . . . . . . . . . . . . . . . . . . A granulátor dob modelljében szereplő változók listája . . . . . . . . A granulátor dobhoz kapcsolódó változók és szimptómák listája . . . HAZOP tábla részlete az átlagos részecskeméret (d50 ) csökkenés esetén HAZOP tábla részlet a granulátor dobból kilépő részecskeáramra . . . Kötőanyag áramára vonakozó HAZOP tábla . . . . . . . . . . . . . .

v

14 14 23 27 27 29 30

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 meghibásodása 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 figyelmet szentelnek. A rendkívüli események kezelése, amelynek a hibadetektálás és -diagnosztika egyik fő eleme, egy rendszerben előforduló hibák abnormális feltételeinek 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 diagnosztikának (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 népszerűbb, többléptékű (multiscale) [24] modellezés tűnik a legalkalmasabbnak, annak 1

ellenére, hogy ez a legújabb módszer jelenleg még intenzív kutatás tárgya. A többléptékű 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, biztonságos 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 veszélyelemzést (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 működését. 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, tématerülettől 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 meghatározzák 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 felhasználásával valósítottam meg, és az elkészített prototípus diagnosztikai rendszerek felhasználásával esettanulmányok segítségével mutattam be a kifejlesztett módszereket és eszközöket, és vizsgáltam meg tulajdonságaikat. Munkám fő célkitűzése az volt, hogy megvizsgáljam különböző elterjedt mesterséges intelligencia módszerek alkalmazhatóságát komplex folyamatrendszerek diagnosztikájára. 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),

2

• 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 következtetéseket lehessen végrehajtani, • on-line, valós időben képes rendszer hibákat vagy meghibásodásokat azonosítani, • 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 keretrendszerrel. 3. Egy olyan predikción alapuló diagnosztika multi-ágens rendszerrel való megvalósítása, amely • a diagnosztikai rendszerben lévő feladatokat egymással kommunikáló ágensek formájában valósítja meg, • az egységes tudás ábrázolását és az ágensek közötti kommunikáció elősegítését megfelelően felépített ontológiák felhasználásával valósítja meg, • képes a HAZOP tábla mellett az FMEA táblákat is kezelni és következtetni 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. A 2. fejezetben a diagnosztikai feladatokban felhasznált eszközöket és módszereket 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

3

alkalmazhatóságának lehetőségeit tekintem át. A fejezet harmadik részében az általam 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 alapuló diagnosztikai rendszerben predikciós céllal felhasznált többléptékű folyamatmodellek egyszerűsítésével foglalkozik. A modell egyszerűsítés általános probléma kitűzésének ismertetése után a többléptékű modellek diagnosztikai célú modell egyszerűsítésének 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 illusztrálom. 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, rövidítéseket foglalom össze. Rövidítések: FTA HAZOP F MEA F MECA P HA MAP DAP CP N

Fault-Tree Analysis (Hibafa-elemzés) HAZard and OPerability analysis (működőképesség- és veszélyelemzés) Fault Mode Effect Analysis (Meghibásodásmód és -hatás elemzés) Failure Mode and Effects Criticality Analysis (Meghibásodásmód, -hatás és hibakritikusság elemzés) Process Hazard Analysis (Folyamat működésképességi elemzés) monoammónium foszfát, (NH4 )H2 P O4 diammónium foszfát, (NH4 )2 HP O4 Coloured Petri Net (színezett Petri háló)

4

2. fejezet A felhasznált eszközök és módszerek Ebben a fejezetben összefoglalom a további fejezetekben szereplő és azok megértéséhez szükséges fogalmakat és alapismereteket.

2.1. A predikción alapuló diagnosztika alapjai A következőkben áttekintem a predikción alapuló diagnosztikához kapcsolódó alapvető fogalmakat és módszereket.

2.1.1. A hibadetektálási és -diagnosztikai technikák áttekintése Meghibásodások A működési egységekben, alrendszerekben (valamilyen szempontból 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 funkcióvégrehajtást 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 funkcionalitásának 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 folyamatrendszerekre vonatkozóan a hibák két csoportját különböztetjük meg: az additív hibák és a multiplikatív hibák osztályát. Az additív hibák hatása egy xi változón hozzáadódik (ze = z0 + xi ), pl. érzékelők eltolódása. A multiplikatív hibák megszorzódnak egy xj változóval (ze = z0 · xj ), pl. a paraméterváltozás.

5

Hibadiagnosztika Az irodalomban viszonylag kevés közlemény ad átfogó áttekintést a hibadiagnosztika területéről úgy, hogy együttesen veszi figyelembe az összes különböző típusú technikát. Egyes közlemények főleg a modell alapú megközelítésekre koncentrálnak [38, 59], mások reprezentatívan mutatják be a széles területen rendelkezésre álló hibadiagnosztikai technikákat [68]. Részletes és alapos összefoglaló található Venkatasubramanian et al. (2003) [117, 115, 116] háromrészes cikksorozatában 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 függvényeket, frekvenciatartománybeli vagy statisztikai döntéselméleti vizsgálati módszereket alkalmaznak. A folyamatok analíziséhez a modell alapú módszerek esetében 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 alapszanak. Ezekkel részletesebben később, a 2.1.3 fejezetben foglalkozom. 6

2.1.2. A predikción alapuló diagnosztika rendszerelméleti megközelítésben 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 állapotváltozók függvényében. 2. Kimeneti egyenletek algebrai egyenletek formájában leírják a kimeneti jelek kapcsolatát a bemeneti- és állapotváltozók között. Koncentrált paraméterű időinvariáns folytonos idejű lineáris rendszerek állapottér modellje a következő alakban írható fel: x(t) ˙ = Ax(t) + Bu(t) (állapot egyenlet) y(t) = Cx(t) + Du(t) (kimeneti egyenlet)

(1) (2)

egy adott x(t0 ) = x(0) kezdeti érték feltétellel, ahol x(t) ∈ Rn az állapotváltozókból álló vektor, u(t) ∈ Rr a bemeneti változókból álló vektor, y(t) ∈ Rp a kimeneti változókból álló vektor és A ∈ Rn×n , B ∈ Rn×r , C ∈ Rp×n , D ∈ Rp×r rendszermátrixok. A nemlineáris véges dimenziós (vagy koncentrált paraméterű) rendszerek a nemlineáris 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) y(t) = h(x(t), u(t)) (kimeneti egyenlet)

(3) (4)

egy adott x(t0 ) = x(0) kezdeti érték feltétellel, ahol x(t) ∈ Rn az állapotváltozókból álló vektor, u(t) ∈ Rr a bemeneti változókból álló vektor, y(t) ∈ Rp 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) y(k) = Cx(k) + Du(k) (kimeneti egyenlet)

(5) (6)

egy adott x(k0 ) = x(0) kezdeti érték feltétellel, ahol x(k) ∈ Rn az állapotváltozókból álló vektor, u(k) ∈ Rr a bemeneti változókból álló vektor, y(k) ∈ Rp a kimeneti változókból álló vektor és Φ, Γ, C, D megfelelő dimenziójú rendszermátrixok. A koncentrált paraméterű időinvariáns diszkrét idejű nemlineáris rendszerek állapottér modellje pedig az alábbi alakban adható meg: x(k + 1) = φ(x(k), u(k)) (állapot egyenlet) y(k) = γ(x(k), u(k)) (kimeneti egyenlet) 7

(7) (8)

egy adott x(k0 ) = x(0) kezdeti érték feltétellel, ahol x(k) ∈ Rn az állapotváltozókból álló vektor, u(k) ∈ Rr a bemeneti változókból álló vektor, y(k) ∈ Rp a kimeneti változókból álló vektor és és φ, γ sima nemlineáris függvények. A rendszereket a külső környezetből zavarások érhetik. A zavarásokat legtöbbször, 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 kibővített alakja az alábbi formában írható fel: x(t) ˙ = Ax(t) + Bu(t) + Bd z(t) y(t) = Cx(t) + Du(t)

(9) (10)

egy adott x(t0 ) = x(0) kezdeti érték feltétellel, ahol x(t) ∈ Rn az állapotváltozókból álló vektor, u(t) ∈ Rr a bemeneti változókból álló vektor, y(t) ∈ Rp a kimeneti változókból álló vektor, z(t) ∈ Rk a zavarásvektor és A, B, Bd , C, D megfelelő dimenziójú rendszermátrixok. Folyamatirányítási feladatok A folyamatirányítás feladata, hogy az üzem viselkedését irányítsa annak érdekében, hogy egy előre meghatározott célt elérjen. Így a folyamatirányításhoz kapcsolódó feladatok gyakran aktív feladatok abban az értelemben, 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 beavatkozó bemenet meghatározásához az aktuális állapot értékeit. Mivel valamennyi az állapotváltozó értéke rendszerint nem mérhető közvetlenül, ezért csak a rendelkezésre álló mérési adatokat lehet felhasználni, amelyek gyakran mérési zajjal terheltek. 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 adatokból és a jó, valamint a hibás működést leíró rendszer modellekből. A diagnosztika az operátorok számára magas szintű információt szolgáltat a rendszer állapotáról, és befolyásolja a szabályozók működését. 8

Ha a diagnosztizálandó dinamikus rendszer rendszerelméleti modellje rendelkezésünkre 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, NF 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 Fi , i = 0, 1, ..., NF a hiba azonosítja és p(Fi ) paraméterek ismertek. • egy J (Fi ) , i = 0, 1, ..., NF veszteségfüggvény: J

(Fi )

(y − y

(Fi )

, u) =

k X 

r (i)T (τ )Qr (i) (τ )

τ =1



(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 Fi és a (11) egyenlettekkel leírt modellekhez rendelt (12) egyenlettel megadott veszteségfüggvényt minimalizálja. Identifikáción alapuló diagnosztika Az identifikáció alapuló diagnosztika probléma kitűzése a következő alakban fogalmazható 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 } 9

• 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. • egy J (Fi ) , i = 0, 1, ..., NF veszteségfüggvény, amely függ a paraméterektől: J (Fi ) (pestFi − p(Fi ) , u) = ρ(i)T Qρ(i)

(14)

ahol Q pozitív definit szimmetrikus súlyozó mátrix, pestFi a becsült paraméterek vektora az Fi meghibásodási módban, amely a mért rekordon és a ρ(i) = pestFi − p(Fi ) paraméterkülönbségen alapul. Feladat: meghatározni a rendszer azon meghibásodási módját, amelynél a modell index Fi és a (13) egyenlettekkel leírt modellekhez rendelt (14) egyenlettel megadott veszteségfüggvényt minimalizálja.

2.1.3. A predikción alapuló diagnosztika tudásalapú megközelítésben Ha a hiba detektálás és diagnosztika a valós üzemi adatok és egy dinamikus modell által generált predikált értékek összehasonlításán alapszik, akkor predikció alapú diagnosztikáról beszélünk. A diagnosztika szempontjából információt hordozó eltérésekből 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 információ 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 típusában 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 meghibásodások közötti relációt leíró kapcsolatok) típusa a legfontosabb megkülönböztető sajátosság a tudásalapú diagnosztikai rendszerekben. Az a’priori információt felhasználó diagnosztikai módszerek csoportosítását és részletes ismertetését Venkatasubramanian 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 kombinációja. 10

Az osztályozási módszerek, amelyek a geometriai, statisztikai, neurális és polinomiális 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 kialakított predikción 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 rendszerelméleti szempontból úgy írható le, mint egy nem mérhető zavarás egy diagnosztikai célú folyamatrendszerben. Szimptómák Egy mérhető vagy számítható mennyiségeken definiált relációt szimptómának nevezünk, ha kapcsolódik egy tetszőleges meghibásodás vagy hiba egy gyökér okához. A szimptómák működési szempontból felismert devianciák, amelyeket a rendszer dinamikus viselkedése következtében időfüggő módon azonosíthatunk. Egy szimptóma definíciójában szereplő relációk leggyakrabban egyenlőtlenségekként jelennek meg. A szimptómák értékkészlete a logikai értékek halmaza (igaz vagy hamis). Egy egyszerű példa szimptómára a temperaturehigh = (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 szerepeit, amelyek szükségesek a tervezett működési vagy folyamat célok eléréséhez. A funkciók természetesen kapcsolódnak azokhoz a részrendszerekhez vagy rendszerelemekhez, 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 temperaturenormal = (900K ≤ T ≤ 950K) funkció valamely T hőmérsékletre a rendszerben. Másfelől egy célhoz kapcsolódó szimptóma tartalmaz egy funkció-viselkedés típusú ismeretet. A viselkedés az összekapcsolt folyamatrendszerből származó összetett 11

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 keresztül. 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 tulajdonságot, amely gyakran időinvariáns. Egy egyszerű példa lehet egy kapcsolódó szimptóma 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 kapcsolódó 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 kvalitatív változót, akkor egy diagnosztikai szcenárió tekinthető úgy, mint a rendszer egy kvalitatív értékű kimeneti jele. A meghibásodások hatásának elemzése A rendszer viselkedését minden figyelembe vett meghibásodási módjában leíró dinamikus rendszermodell segítségével predikcióval meghatározható(ak) egy hiba vagy meghibásodás (időbeli) következménye(i) [117, 115, 116]. Ez elvégezhető szimulációval, amely megjósolja a meghibásodott rendszer viselkedését. Súlyos és/vagy kockázatos következmények elkerülésére ajánlott megelőző beavatkozások szintén tervezhetők és/vagy tesztelhetők szimulációval. Veszteségmegelőzés Gyakran nem elég, hogy felismerjük és izoláljuk egy rendszer hibás állapotát, hanem arra is szükség lehet, hogy tanácsokat adjunk a működtető 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-

12

mációforrások tartalmazzák a koncepcionális tervezési tanulmányokat és a kockázatelemzést, ezen túlmenően a részrendszerek vagy konkrét működési módok [45] részletes dinamikus modelljeit, továbbá operátoroktól és egyéb üzemi munkásoktól származó heurisztikus működtetési tapasztalatokat. A heurisztikus információk 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, HAZOP), • 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 működőképességés 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 biztonságtechnikai veszélyek meghatározására és kiértékelésére, valamint azoknak az üzemeltetési problémáknak az azonosítására, amelyek károsan befolyásolják egy üzem előírt működését. A HAZOP elemzés során több műszaki tudományterület képviselőiből álló munkacsoport kreatív és módszeres megközelítést alkalmaz azoknak a veszélyeknek és üzemeltetési problémáknak a feltárásához, amelyek a rendeltetésszerű, 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 folyamatjellemzőkkel kombinálva állításokat fogalmaznak meg a rendeltetésszerű üzemi működéstől való eltérés meghatározása érdekében. A HAZOP elemzés során felsorolják a potenciális hiba okokat és a következményeket, valamint a hibákhoz rendelhető 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 vizsgálat 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, 13

Vezérszó

Eltérés

Lehetséges okok

Következmények

Megelőző intézkedések

.. .

.. .

.. .

.. .

1. táblázat. Egy HAZOP eredménytábla szerkezete

funkciók, technológiai eljárások diagnosztikai szempontú minőségi analízise. Elsősorban mechanikai és villamos berendezések meghibásodásának vizsgálatára használják, ellentétben a HAZOP módszerrel, amely a rendszerben zajló folyamatok egymásutániságát, ok-okozati kapcsolatait elemzi. Az FMEA feltérképezi maguknak a berendezéseknek, alrendszereknek a lehetséges 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 jellemezhető struktúrában. Komponens /

Meghibásodási

Lehetséges

Berendezés

mód

okok

.. .

.. .

Érzékelés

Kihatása más

Kihatása a

módja

komponensekre

rendszerre

.. .

.. .

2. táblázat. Egy FMEA eredménytábla szerkezete Az FMEA egy kiterjesztett változata a meghibásodásmód, -hatás és hibakritikusság 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) kiaknázásával ezért egyre növekszik. A többléptékű modellek gyakorlati alkalmazása az utóbbi 15 évben nagy előrelépést mutat különböző tudományterületeken. Ezzel párhuzamosan megnőtt az igény a különféle többléptékű modellek, módszerek és terminológiák alkalmazására. 14

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 szükséges 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 leírásához: 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 méretskála 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 kialakítása szempontjából specifikus lépéseit Ingram és Cameron (2002) [54] az alábbi három feladatban határozza meg: • a többléptékű modellben az idő- és méretskálák meghatározása és kiválasztása;

15

1. ábra. Léptékek a folyamatmérnökségben [41]

• alkalmas modellek alkalmazása vagy megalkotása minden egyes skálán, amely fontos; • a részmodellek összekapcsolása vagy integrálása egy koherens többléptékű modellé. 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 többléptékű folyamatmodellek építésére, ezért sok kutató foglalkozik ezen tématerülettel. Néhány közlemény foglalkozik különböző típusú többléptékű folyamatmodellek építésével (például Pantelides (2001) [86], Guo and Li (2001) [42], McGahey and Cameron (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.

16

2.4.1. Folyamatmodellezés A modellezési probléma kitűzéséhez [45] két fő alkotóelemre van szükség: • a modellezendő folyamatrendszer leírására, amely általában egy folyamatábrával jellemezhető (tartalmazza a rendszer határait, a rendszerben lejátszódó mechanizmusokat, a rendszer jellemző paramétereit, a rendszer be- és kimeneteit); • a modellezési cél specifikálására, amely meghatározza, hogy mennyire részletes, 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 modellezési 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 meghatározni a figyelembe vett összes szimptóma időbeli változását, • képes kezelni a rendelkezésre álló beavatkozó változók időbeli értékeit, hogy tesztelni lehessen a lehetséges beavatkozások hatását modell alapú predikcióval. 17

2.4.3. Többléptékű folyamatmodellek modellezési hierarchiája Amikor a többléptékű folyamatmodelleket diagnosztikai célból hozzuk létre, általában 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 részletezettség 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 ellenáramú hőcserélő berendezés szintje, alsó szintjén pedig a hőcserélő egy szeletét (berendezés-rész) modellje található. A többléptékű modellek egy fontos meghatározó jellemzője, hogy a különböző 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 társulnak 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 hierarchiáját követi a szimptómák definiálásában szereplő változók vagy a modellelemek által. 18

2.4.5. Egy célvezérelt felülről lefelé haladó modellezési megközelítés 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 szükséges. 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 mechanizmusokkal, • egy modellezési cél, mely szerint a modellnek le kell írnia az összes lehetséges 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 dekomponált 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’) Szimptómák előállítása a modellezési cél részeként adott HAZOP táblából (Vezérszó és Eltérés oszlopok) (2’) Skálák (méret és részletezettség) és ezek maximális finomságának meghatározása 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 szimptómák 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 modellezési probléma esetén [24]. Végül a (4’) lépés szükséges ahhoz, hogy formalizáljuk az (1’) lépésben meghatározott szimptómákat a modell változóival együtt, és formálisan összekapcsoljuk a többléptékű modellt a diagnosztikával, pontosabban a gyökér ok identifikációval. 19

Részecske folyam

Kötõanyag Nedves szemcsék Granulátor

Száraz szemcsék Szárító Méreten felüli

Rost ák

Termék

Törõ Méreten aluli Újra feldolgozandó szemcsék

2. ábra. Egy egyszerűsített folyamatos granulátor kör

A megépített többléptékű folyamatmodellt alkalmazhatjuk predikcióra a valós folyamattal párhuzamosan úgy, hogy az meghatározza a potenciálisan veszélyes következményeket 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. Léteznek 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] közlemények alapján.

2.5.1. Granulátor kör A granuláció [76], mint a részecskefeldolgozó iparág egyik fontos eleme, egy részecskeméret-növelő folyamat, amelyet széles körben alkalmaznak például a gyógyszeriparban, a mezőgazdaságban és a műtrágyagyártásban. A granuláció során részecskéket (por) vezetnek egy keverő egységbe, amely adagonként vagy folytonosan agglomerálódik 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, méretcsökkentés, 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 (NH4 )H2 P O4 monoammónium-foszfát (MAP) és (NH4 )2 HP O4 diammónium-foszfát (DAP) előállítása használják, amelynek a fő berendezéseit az alábbiakban részletezem.

20

Granulátor dob A granulátor dob egy granulátor kör legfontosabb eleme . DAP előállításához a műtrágya alapanyagát (MAP, DAP, H2 O elegye) betáplálják a dobba a granulátor kör további berendezéseitől visszacsatolt részecskékkel együtt. A reakció NH3 + (NH4 )H2 P O4 → (NH4 )2 HP O4 + hő tökéletes végbemenetele érdekében ammóniát fecskendeznek be a dobba, amely reakcióba lép a MAP-pal és a végtermék DAP lesz. A reakció mellett a dobban a részecskék mérete növekszik rétegződéssel, összetapadással vagy csökken töréssel. Szárító A legtöbb műtrágya előállító granulációs folyamat forgó dobot használ a műtrágya szárításához, amelyben a szárító egy ellenáramú gőzáramon viszi keresztül a részecskéket. Rosták A részecskék méret és alak szerinti osztályozását a rosták végzik. Az osztályozással kiválogatják a terméknek megfelelő méretű szemcséket, a maradékot pedig visszaforgatják (visszacsatolják) a rendszerben, és a friss betáplálással együtt a granulátor dob bemenetére adják. Törő A nagy méretű részecskéket egy törő vagy őrlő berendezéssel apróra zúzzák és ezt vezetik vissza a granulátor dobba a rosták által kiszűrt nagyon apró szemcsékkel vegyítve. A granulátor körben az egységek közötti kapcsolatot részecskeáram biztosítja, amelyet annak hőmérsékletével, nyomásával, tömegáramával és az egyes szemcse méretosztályokba eső részecskeszámmal lehet jellemezni.

2.5.2. A granulátor dob berendezés szintű modellje A granulátor dob egység berendezés szintű modelljének megadásához a következő modell egyenleteket használtam fel munkám során, amelyek Balliu (2005) [16] értekezésében részletesebben is megtalálhatóak. A berendezés szintű modellhez a granulátor dobot tökéletesen kevert mérlegelési térfogatokból (a folyadék és a szilárd fázis mérlegelési térfogatok) állónak tételezzük fel, amelyekre összes tömeg, komponens tömeg és energiamérleg egyenleteket írunk fel. Összes tömeg mérlegek • folyadék fázis: dML = FL,in + FSL + fN H3 − FHevap − FL,out − m ˙ crystals 2O dt

(15)

• szilárd fázis: dMS (i) M AP,sol DAP,sol = FS,in (i) + FSL (i) + FSL (i) − FS,out (i) dt +m ˙ crystals (i) + Agg(i) + Lay(i) − Break(i) i = 1, 2, . . . 20 (16)

21

Komponens tömeg mérlegek a folyadék fázisban: dmM AP M AP M AP M AP = FL,in + FSL − FL,out − c1 · rM AP/DAP dt

(17)

dmDAP DAP DAP DAP = FL,in + FSL − FL,out −m ˙ crystals + c2 · rM AP/DAP dt

(18)

dmH2 O H2 O H2 O H2 O = FL,in + (1 − ϕ)FSL − FL,out − FHevap 2O dt

(19)

Energia mérlegek • folyadék fázis: dEL = EL,in + ESL + EN H3 + c2 · ∆H · rM AP/DAP dt evap − EH − EL,out − ELS − m ˙ crystals · ∆Hcrys (20) 2O • szilárd fázis: dES M AP,sol DAP,sol = ES,in + ESL + ESL − ES,out (i) + ELS + Ecrystals dt i = 1, 2, . . . 20 (21) A fenti egyenletekben a 3. táblázatban található jelöléseket használom. Állapottér modell A fenti modell egyenletekből látszik, hogy az (15)-(21) egyenletek alkotják az állapottér modell állapot egyenleteit az alábbi állapotvektorral: x=



mM AP mDAP mH2 O ML MS (i) EL ES

T

i = 1, 2, . . . 20 (22)

A bemeneti változók, a beavatkozó változók és zavarások pedig az alábbiak: M AP,sol DAP,sol N H3 H2 O M AP DAP u = [ FSL FSL FSL FSL FSL FSL TSL N H3 H2 O H2 O T M AP DAP FSL FSL FSL FSL TL,in FN H3 TN H3 FS,in (i) TS,in TS,in ]

i = 1, 2, . . . 20 (23) Az állapotegyenletek szerkezete a x˙ = Ax + Bu

(24)

lineáris kvalitatív differenciál egyenlettel írható le, ahol az A és B mátrixok ún. struktúra mátrixok, amelyek 0 vagy ⋆-gal jelölt nem nulla elemei az alábbiak:

22

Változó mMAP MAP FL,in MAP FSL MAP FL,out c1 rMAP/DAP mDAP DAP FL,in DAP FSL DAP FL,out m ˙ crystals c2 mH2 O H2 O FL,in ϕ H2 O FSL H2 O FL,out evap FH 2O ML FL,in FSL fN H3 FL,out MS (i) FL,in (i) MAP,sol FSL (i) DAP,sol FSL (i)

m ˙ crystals (i) FS,out (i) Agg(i) Lay(i) Break(i) EL EL,in ESL EN H3 ∆H evap EH 2O EL,out ELS ∆Hcrys ES ES,in MAP,sol ESL DAP,sol ESL ES,out (i) Ecrystals

Jelentése a MAP tömege a folyadék fázisban a MAP betáplálási tömegárama a folyadék fázissal a MAP oldat betáplálási tömegárama a zagy árammal a dobból kilépő MAP tömegárama a folyadék fázisban reakció sebesség együttható az ammónia és a MAP közötti reakciósebesség a DAP tömege a folyadék fázisban a DAP betáplálási tömegárama a folyadék fázissal a DAP oldat betáplálási tömegárama a zagy árammal a dobból kilépő DAP tömegárama a folyadék fázisban kristályosodási sebesség reakció sebesség együttható a H2 O tömege a folyadék fázisban a H2 O betáplálási tömegárama a folyadék fázisba a víz eltávozó hányada a zagy tömegáramából oldott H2 O betáplálási tömegárama a zagy árammal a dobból kilépő H2 O tömegárama a folyadék fázisban az elpárolgott víz tömegárama folyadék fázis tömege a dobba belépő folyadék fázis tömegárama a folyadék fázisba beáramló zagy tömegárama a folyadék fázisba abszorvbeálódó ammónia tömegárama a dobból kilépő folyadék fázis tömegárama a szilárd fázisban a dobban maradó tömeg mennyisége minden egyes i részecske méret intervallumban a szilárd fázis betáplálási tömegárama minden egyes i részecske méret intervallumban a zagy áramból minden egyes i részecske méret intervallumba lerakódó MAP kristályok tömegárama a zagy áramból minden egyes i részecske méret intervallumba lerakódó DAP kristályok tömegárama kristályosodás sebessége minden egyes i részecske méret intervallumban a dobból kiáramló szilárd fázis tömegáram minden egyes i részecske méret intervallumban agglomeráció minden egyes i részecske méret intervallumban rétegződés minden egyes i részecske méret intervallumban törés minden egyes i részecske méret intervallumba a folyadék fázis energiája a dobba belépő folyadék fázis energiája a folyadék fázisba abszorbeálódó zagy energiája a folyadék fázisba abszorbeálódó ammónia energiája reakcióhő az elpárolgó víz energiája a dobból kilépő folyadék fázis energiája a folyadék és szilárd fázisok közötti energiaátadás kristályosodási hő a szilárd fázis energiája a teljes szilárd fázis energiája a dobban a MAP kristályok tömegáramának energiája a zagy áramban a DAP kristályok tömegáramának energiája a zagy áramban a dobból kiáramló teljes szilárd fázis kiáramlási energiája kristályosodási energia

3. táblázat. A granulátor dob modelljében szereplő változók listája 23



    A=     

⋆ 0 0 ⋆ 0 .. .

0 ⋆ 0 ⋆ 0 .. .

0 0 0 ⋆ 0 .. .

0 0 ⋆ ⋆ 0 .. .

0 ⋆ 0 ⋆ ⋆ ⋆ ⋆

0 ⋆ 0 ⋆ ⋆ ⋆ ⋆

⋆ ⋆ ⋆ ⋆ 0 ⋆ 0

⋆ ⋆ ⋆ ⋆ ⋆ ⋆ ⋆

⋆ ⋆ ⋆ ⋆ ⋆ ⋆ ⋆

··· ··· ··· ··· ··· ··· ···

⋆ ⋆ ⋆ ⋆ ⋆ ⋆ ⋆

0 ⋆ ⋆ ⋆ ⋆ ⋆ ⋆

0 0 0 0 0 ⋆ ⋆



0 0 0 0 ⋆ .. .

0 0 0 0 ⋆ .. .

0 0 ⋆ ⋆ 0 .. .

⋆ 0 0 ⋆ 0 .. .

0 ⋆ 0 ⋆ 0 .. .

0 0 0 ⋆ 0 .. .

0 0 ⋆ ⋆ 0 .. .

0 0 0 0 0 .. .

⋆ ⋆ 0 ⋆ 0 .. .

0 0 0 0 0 .. .

        

(25)

0 0 0 0 ⋆ .. .

0 0 0 0 0 .. .

0 0 0 0 0 .. .

       B=     0 0 0 0 ⋆ ⋆ 0 0 0 0 0 0 0 0 ⋆ 0 0   ⋆ ⋆ ⋆ ⋆ 0 0 ⋆ ⋆ ⋆ ⋆ ⋆ ⋆ ⋆ ⋆ 0 0 0 0 0 0 0 ⋆ ⋆ ⋆ 0 0 0 0 0 0 0 ⋆ ⋆ ⋆

              

(26)

2.5.3. Egy granulátor kör skálatérképe Ha vesszük a granulátor körben jelen levő különböző jelenségek karakterisztikus méreteit vagy időállandóit, akkor öt különböző skála szintet különböztethetünk meg mindkét skála mentén [57], ahogy az a 3. ábrán látható. Az alsó négy szint a granulátor dobhoz tartozik, dolgozatomban ezeket fogom vizsgálni és felhasználni.

3. ábra. Egy granulátor kör skálatérképe [57]

24

Fontos megfigyelni, hogy szoros kapcsolat van a granulátor kör karakterisztikus méret- és időskálái között. Általánosságban a magasabb méretszintekhez magasabb szintű karakterisztikus idők feleltethetők meg. Egy kivétel ezen szabály alól a Granule bed, Vessel és a Granule szintek idő-méret skála kapcsolata. Ennek magyarázata, hogy a szemcsékre jellemző mechanizmusoknak egy közvetlen erős hatása van magasabb szinteken lévő dinamikus tulajdonságokra, amely ily módon jelenik meg. Ezen kívül megfigyelhető egy elkülöníthető szétválás egy kis átlapolódással a karakterisztikus méretekben a Particle és Granule szintek között is. Ez lehetővé teszi, hogy a teljes modellt részmodellekre bontsuk az időskála mentén. A részmodellekre bontható eset az, ahol a granulációs folyamatok többléptékű modellezése helyet kap [55].

2.5.4. Granulátor dob: szintek, változók és mechanizmusok Ahogy az a 3. ábrán is látható, egy granulátor dobban négy skála vagy szint különböztethető meg: • Vessel szint: a teljes dob Változók: koncentrációk a szemcsékben (ál-szilárd) és a kötőanyag (folyadék) fázisokban Mechanizmusok: áramlás és fázisváltozások Az (15)-(21) modellegyenletek egy egyszerű Vessel szintű modell egyenletei. • Granule bed szint: a dob egy szelete Változók: szemcsék részecskeméret eloszlása, komponens: egy mérettartomány Mechanizmusok: fázisváltozások, részecske áram A teljes térben elosztott dobot a térbeli változója mentén osztjuk szeletekre. Egy-egy ilyen szeletre az (15)-(21) egyenletekhez hasonló modellt írhatunk fel. • Granule szint: egy önálló szemcse Változók: szemcsék mérete és összetétele az időbeli pozícióval Mechanizmusok: reakció, növekedés, törés, egyesülés ütközéssel A szemcse szintű modellel a dob egy szeletének modelljében szereplő forrástagok (pl. Agg, Lay, stb.) analitikus közelítő alakja határozható meg [55]. • Particle szint: részecske és kötőanyag Változók: részecskék mérete, alakja és porozitása Mechanizmusok: részecskén belüli folyamatok, adszorpció-deszorpció, felületi reakció, stb. A granulátor dobban elkülönített modellezési szinteket és a szintek közötti információcserét a 4. ábra szemlélteti. 25

Production rate Mean granule size Power consumption Recycle ratio Product losses

Circuit Powder feed rate Powder size distribution Binder addition rate

Drum design details Drum speed Granule flow rate Granule size distribution Binder flow rate Binder droplet size and spray pattern Granule masses Granule velocities Granule moisture content and porosity Mass fraction of solid Mass fraction of liquid Particle properties Binder properties

Granule mass flow rate Product granule size distribution Granule moisture

Vessel Nucleation rate Coalescence kernel Residence time

Granule bed Success of coalescence

Granule

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

A granulátor dob többléptékű modelljeinek előállítása a Függelék A fejezetében ismertetett és bemutatott hőcserélő különböző részletezettségű modelljeinek előállításához hasonló módon történik. Gordon Ingram PhD dolgozata [55] részletesen is tartalmazza egy többléptékű granulátor modell fenti 4 szintjére felírt modellegyenleteit.

2.5.5. A granulátor dob modellhez kapcsolódó változók és szimptómák A 4. táblázat tartalmazza a granulátor dob HAZOP analízise eredményei alapján meghatározott változókat és szimptómákat. A granulátor dob skálatérképe alapján minden szimptóma és a hozzá kapcsolódó változók, amelyeket a 4. táblázat tartalmaz, hozzárendelhető a többléptékű modell megfelelő szintjeihez. A hozzárendelés az 5. ábrán látható.

2.5.6. A granulátor kör HAZOP táblája A dolgozat során használt granulátor kör HAZOP táblájának részleteit tartalmazzák az 5., a 6. és a 7. táblázatok, amelyet a Division of Chemical Engineering, The University of Queensland bocsájtott a rendelkezésemre.

26

Változó Binder Flow Binder Flow Binder Flow Binder Viscosity Binder Viscosity Solids Feed PSD Solids Feed PSD Solids Feed Flow Solids Feed Flow Solids Feed Flow Solids Feed Size Solids Feed Size Granulator Drum Speed Granulator Drum Speed Granulator Drum Speed Granulator Exit Distribution Granulator Exit Distribution Granulator Exit Flow Granulator Exit Flow Granulator Exit Flow Granulator Exit Size Granulator Exit Size

Szimptóma NONE MORE LESS MORE LESS NARROW WIDE NONE MORE LESS MORE LESS NONE MORE LESS NARROW WIDE NONE MORE LESS MORE LESS

4. táblázat. A granulátor dobhoz kapcsolódó változók és szimptómák listája

Flowsheet: Key Process Variable: Guide Word Average Particle Size (d50)

Granulation Circuit Decrease in average particle size (d50)

Deviation LESS

Possible Causes (1) Decrease in fresh feed size

(2) Decrease/loss of binder flow

™ ™

Consequence Decrease in system holup Change in granulation condition

™

Change in recycle PSD

…

Detection and Action (a) Decrease in d50 by online optisizer, and increase in feed flow sensor reading (b) change to original feed type (c) Check the binder flow sensor (d) Recommend inspection of binder feed system and restore ASAP

…

5. táblázat. HAZOP tábla részlete az átlagos részecskeméret (d50 ) csökkenés esetén

27

Fresh feed

Binder

Air_in

Granulator

Air_out

Dryer

Screen _1 Recycle

Crusher

Screen _2

Product

Binder tank NONE Level

Hopper Level

Screw feed LESS FFFR

MORE FFFR

WIDE PSDFF

NARROW

WIDE PSDRec

NARROW

LESS RR

MORE RR

valve_1

valve_2

valve_3 Binder

Fresh  feed

feed flow rate (FFFR) Fresh PSD

Binder flow rate (BFR)

Binder flow rate (BFR)

Binder flow rate (BFR)

MORE BFR

NONE BFR

LESS GEF

MORE GEF

NONE GEF

50

PSDFF

Mixer PSDRec

Granulator exit flow (GEF) Average particle size (d ) GSD

LESS BFR

PSD Recycle ratio (RR) Recycle conveyor

Gran_1

Gran_2

Gran_3

LESS d50

MORE d50

LESS GSD

MORE GSD

Granulator Granulator drum speed LESS vg_drum

MORE vg_drum

NONE vg_drum

Recycle

5. ábra. A szimptómák hierarchiája

28

WIDE GSD

NARROW

GSD

Flowsheet: Key Process Variable: Guide Word Granulator Exit Size

Granulation Circuit Granulator Exit Size

Deviation MORE

Possible Causes (1) High binder viscosity

(2) High agitation intensity (3) High nucleation, consolidation and granule growth rate (4) Increase in successful collisions (5) Increase in residence time Granulator Exit Size

LESS

(6) Low extent of granule growth

(7) Low coalescence rate (8) Low binder viscosity (9) Low/mal-distribution of binder (10) Low residence time (11) Too many fines (difficult to granulate)

™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™

Consequence Increased d50 Upward shift in GSD Increase in recycle

Detection and Action (a) Detection by increase in d50, shift upward in GSD (b) Initiate stagewise check of setpoints for any variations

Covered by (1)

(c) Covered by (a) and (b)

Covered by (1)

(d) Covered by (a) and (b)

Covered by (1)

(e) Covered by (a) and (b) (f)

Covered by (a) and (b)

Covered by (1) Decrease in d50 Downward shift in GSD Change in recycle

(g) Detection by decrease in d50, shift downward in GSD (h) Covered by (b)

Covered by (6)

(i)

Covered by (g) and (h)

Covered by (6)

(j)

Covered by (g) and (h)

Covered by (6)

(k) Covered by (g) and (h)

Covered by (6)

(l)

Covered by (6)

(m) Covered by (g) and (h)

Covered by (g) and (h)

6. táblázat. HAZOP tábla részlet a granulátor dobból kilépő részecskeáramra

29

Flowsheet: Key Process Variable: Guide Word Binder Flow

Granulation Circuit Binder Flow

Deviation NONE

Possible Causes (1) Binder nozzle blockage

(2) Feed valves closed in error (3) Binder supply tank empty (4) Binder supply pump failure Binder Flow

MORE

(5) Feed valve opened excess in error or fails open, or sticks open

™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™

Binder Flow

LESS

(6) Feed atomiser blockage

(7) Feed reduced in error (8) Sticking control valve Binder Flow

MALDISTRIBUTION

(9) Feed Atomiser blockage

(10) Damage to feed system (11) Change in binder properties

™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™ ™

Consequence Ungranulated powder Change in granulation regimes no granulation Increase in dustiness Decrease in d50 Increase in recycle ratio

Î

Detection and Action (a) detection by decrease in d50, and binder flow value (b) possible online moisture detection methods (c) recommend inspection of binder feed system

Covered by (1)

(d) Covered by (a), (b) and (c)

Covered by (1)

(e) Covered by (d)

Covered by (1)

(f)

The recycle ratio goes through a minimum as liquid content increases Recycle ratio increases sharply at liquid content above the required onset of second stage granulation Decrease in granule porosity Increase in d50 Widening of GSD High moisture content ex granulator and into recycle possible screen blockages Crusher problems

(g) detection by increase in d50, but decrease in recycle ratio (h) consider online moisture monitoring, and shifts in GSD (i) high flow alarm on binder (j) recommend inspection of product material for excessive moisture

Decrease in d50 Decrease in granulation Change in granulation regime Recycle most likely increase Decrease in GSD ex granulator Product too dry attrition and dustiness Increase in granule porosity

(k) Covered by (c),(g) and (h) (l) low flow alarm of binder flow

Covered by (6)

(m) Covered by (k) and (l)

Covered by (6)

(n) Covered by (k) and (l)

Reduction in granulation Large spread in GSD Changes in granulation regimes at various points in drum Reduction in nucleation Large wet agglomerates, and similar amounts of dry unagglomerated material.

(o) Combination effects of high and low binder flows. Will be dynamic problems (p) Consider detection from spread in GSD, and recommend inspection of binder spray system

Covered by (9)

(q) Covered by (o) and (p)

Covered by (9)

(r)

Î

Covered by (d)

Î

Covered by (o) and (p)

7. táblázat. Kötőanyag áramára vonakozó HAZOP tábla

30

3. fejezet Predikción alapuló diagnosztika Petri hálókkal Amint azt már a 2.1 alfejezben láttuk, a predikción alapuló diagnosztikához szükség van egy dinamikus folyamatmodellre, amelyben a bizonytalan információk és a tapasztalati tudás is leírhatók. Komplex, több műveleti egységet tartalmazó folyamatrendszerek esetén azonban ez a modell túl bonyolult lehet, így a többléptékű modellezési módszer használata válik szükségessé. Ebben a fejezetben a 2.4 alfejezetben bemutatott többléptékű folyamatmodellek cél-vezérelt modellezési módszerét alkalmazom arra az esetre, amikor a modellezési cél egy olyan modell megadása, amely predikció alapú diagnosztikához alkalmazható. Ebben a fejezetben a színezett Petri hálót (Coloured Petri Net, CPN), mint egy egységes modellezési eszközt alkalmazom predikción alapuló diagnosztika céljaira. A Petri hálók és a színezett Petri hálók a diszkrét eseményű rendszerek modellezésére és szimulációjára használatos eszközök közül az egyik leghasznosabbnak tekinthetők. Ennek oka az, hogy egy kvalitatív differenciál algebrai egyenlet alakban adott folyamatmodell egy színezett Petri hálóval reprezentálható. Ezen túlmenően a hierarchikus CPN-ek alkalmassá tehetők hierarchikusan integrált többléptékű modellek leírására is.

3.1. Petri hálók A Petri hálók (Petri net) alapját 1962-ben Carl Adam Petri „Kommunikation mit Automaten” című doktori tézisében [88] ismertette. Ebben az alfejezetben áttekintést adok a Petri hálókkal kapcsolatos fogalmakról. A formális leírásokról részletesebben például Peterson (1981) [87] vagy Murata (1989) [81] áttekintő cikkében olvashatunk. Bővebb információk, publikációk, alkalmazások, eszközök, szabványosítási folyamat a Petri Net Worlds [14] weboldalon rendszerezve találhatóak.

3.1.1. Alacsony szintű Petri hálók A következőekben az alacsony szintű Petri hálókkal kapcsolatos fogalmakat ismertetem. 31

Petri hálók alapelemei Egy Petri háló helyekből (place) és átmenetekből (transition) épül fel, illetve ezek egymáshoz való viszonyát írja le. Amíg a helyek a modellezett rendszer statikus részét írják le, addig az átmenetek a rendszerben bekövetkező eseményekhez vagy változásokhoz kapcsolódnak. A Petri hálók grafikus reprezentációja egy súlyozott irányított páros gráf, ahol a helyeket körökkel, az átmeneteket téglalapokkal vagy dobozokkal jelöljük. Az átmenetek és helyek közötti logikai relációkat, azaz az események és azok előfeltételei (precondition) és következményei (consequence) közötti kapcsolatokat irányított élekkel reprezentáljuk. Egy egyszerű Petri háló látható a 6. ábrán. p1 t1

p2

p4 t2

p3

6. ábra. Egyszerű Petri háló Az átmeneteket tekinthetjük úgy, mint működési eljárások lépéseit vagy részlépéseit, míg a helyek adják az előfeltételeit és következményeit ezeknek a lépéseknek egy diszkrét eseményű rendszerben. Egy összetett rendszerben egy esemény valamely következménye egy másik esemény előfeltétele, ezért általánosságban a feltétel (condition) kifejezést használjuk az előfeltétel és a következmény helyett, egy Petri háló modellben pedig a bemeneti hely(ek) (input place) és kimeneti hely(ek) (output place) kifejezésekkel szemléltetünk egy hely és egy átmenet közötti relációt. Az előfeltételek bekövetkeztét (érvényességét) a helyeken elhelyezett tokenek vagy más néven jelzőpontok jelenlétével szemléltetjük. A háló átmeneteinek tüzelésével (firing of transitions) a valós rendszer viselkedését tudjuk követni: egy esemény bekövetkezhet, ha annak minden előfeltétele teljesül, azaz egy Petri hálóban egy átmenet engedélyezett (enabled), ha az összes bemenő helye érvényes (valid). Az átmenet tüzelésekor (végrehajtásakor) megfelelő számú tokent elvesz az input helyekről illetve hozzáad az output helyekhez. A helyek és átmenetek közötti logikai relációk definiálják az elvehető és/vagy a hozzáadható tokenek számát.

32

Alacsony szintű Petri hálók formális leírása Egy Petri háló [81] az alábbi rendezett négyessel definiálható: (27)

N = (P, T, F, W ) ahol: P = {p1 , ...pm } a helyek véges halmaza, T = {t1 , ...tn } az átmenetek véges halmaza, F ⊆ (P × T ) ∪ (T × P ) az élek halmaza, W : F → {1, 2, 3, ...} egy súlyfüggvény, P ∩ T = ∅ és P ∪ T 6= ∅.

Az F halmazt két részhalmazra (I, O) partícionálják a bemeneti és a kimeneti függvények, amelyek sorban az alábbi módon definiálhatók: I : T → P ∞ , I(ti ) = {pj ∈ P |(pj , ti ) ∈ F e´s j = 1, . . . ni } ,

(28)

O : T → P ∞ , O(ti) = {pj ∈ P |(ti, pj ) ∈ F e´s j = 1, . . . mi } .

(29)

Jelölők A tokenek egy tetszőleges eloszlásást a helyeken jelölőnek (marking), a tokenek kezdeti eloszlásást kezdeti jelölőnek (initial marking) nevezzük és M0 -lal jelöljük. p1

t1

p2

p4 t2

p3

7. ábra. Petri háló jelölőkkel Az M : P → N jelölő függvény (marking function) megadja a tokenek eloszlását egy háló adott állapotában. Egy Petri háló egy kezdeti jelölővel P N = (N, M0 ) rendezett párossal adható meg. Átmenetek tüzelése Egy átmenet tüzelési szabályai az alábbiak: 1. Egy tj átmenet engedélyezett (enabled), ha van legalább w(pi, tj ) token a tj átmenet minden pi bemeneti helyén: M(pi ) ≥ w(pi , tj ) , ahol w(pi, tj ) az él súlya. 33

∀pi ∈ P

2. Egy engedélyezett átmenet tüzelhet vagy nem tüzelhet attól függően, hogy az átmenet által modellezett esemény a valós rendszerben bekövetkezik-e vagy sem. 3. A tj átmenet tüzelésekor egy hely jelölő függvényének értéke csökken a helyből a tj átmenetbe irányított él súlyával; és növekszik azzal az élsúllyal, amely él a tj átmenetből indul és az adott helyben végződik: M ′ (pi ) = M(pi ) − w(pi , tj ) + w(tj , pi ) ,

∀pi ∈ P

A 8. ábrán egy egyszerű Petri háló tokeneloszlása látható a t1 átmenet tüzelése előtt és után. p1

p1

t1

p2

t1

p2

p4 t2

p4 t2

p3

p3

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

Petri hálók analízise Egy Petri háló sokkal több, mint csupán egy rendszer struktúrális leírása: a hálók működtethetők (futtathatók). Ezek a szimulációk (futtatások) információt szolgáltatnak a rendszer dinamikájáról, amelyeket egy statikus modell vizsgálatából sosem határozhatnánk meg. Rendszerelméleti szempontból az ún. diszkrét eseményű rendszerek [27], azaz a diszkrét idejű, diszkrét értékkészletű rendszerek dinamikus viselkedése írható le Petri hálókkal. Petri hálók analízis problémái A Petri hálók tulajdonságai két fő csoportra oszthatók: viselkedési (behavioural) vagy jelölő-függő tulajdonságok és szerkezeti (structural) tulajdonságok, amelyek függetlenek a kezdeti jelölőtől, azaz a kezdeti állapottól. A legfontosabb Petri háló tulajdonságok: • Viselkedési tulajdonságok: kezdeti jelölőtől függnek (ezek a legérdekesebb tulajdonságok) – elérhetőség (reachability) – korlátosság (boundedness) 34

– ütemezhetőség (schedulability) – élőség (liveness) – megmaradás (conservation) • Szerkezeti tulajdonságok: nem függnek a kezdeti jelölőtől (gyakran túl korlátozott) – konzisztencia (consistency) – szerkezeti korlátosság (structural boundedness) – hely és átmenet invariánsok (place and transition invariants) A Petri hálók tulajdonságairól részletesebben például Murata (1989) [81] cikkében olvashatunk.

3.1.2. Kiterjesztett Petri hálók Az eredeti, alacsony szintű Petri hálóknak különféle kiterjesztései léteznek az alkalmazási terület igényeinek megfelelően. Részletesebben tárgyalom a hierarchikus és a színezett Petri hálókat, a további kiterjesztési lehetőségekről pedig egy rövid áttekintést adok. Hierarchikus Petri hálók Elég gyakran a Petri háló modellek hatalmas méreteket öltenek, ezért az áttekinthetőség és használhatóság miatt felmerült az igény, hogy kisebb Petri háló modellek felhasználásával állítsuk elő az összetettebb rendszermodellt, vagy a bonyolult modelleket kisebb modellelemekre bontsuk. Az ötlet könnyen megvalósítható helyettesítő csomópontok (substitution node) bevezetésével, amely egy hely vagy egy átmenet vagy egy hely-átmenet kombináció lehet. A helyettesítő csomópontok kapcsolódnak egy-egy rész-modellhez (submodel) és reprezentálják annak működését. Az így felépített Petri hálókat hierarchikus Petri hálóknak (hierarchical Petri net) nevezzük. A rész-modell általában teljesen lecseréli a helyettesítő csomópontot és az azt körülvevő éleket.

p fill_up p rA

ta d d A

t heat

pA t fill

p rB

ta d d B

t reaction p react

p ready t cool

p filled

pB

9. ábra. Petri háló elemeinek dekompozíciója A rész-modellek jól definiált módon [51, 71, P4] kapcsolódnak egymáshoz. Ezek a hierarchia konstrukciók egyáltalán nem függetlenek egymástól, gyakran lehetőségünk van választani közülük annak függvényében, ahogy az aktuális modellezési célt teljesítsük. A hierarchikus konstrukciók a következők: 35

• átmenet helyettesítése (substitution transition), • hely helyettesítése (substitution place), • hely-átmenet pár helyettesítése (substitution place-transition pair). A helyettesítő csomópontok (substitution nodes) ötlete megengedi a felhasználónak, hogy a csomóponthoz egy összetettebb Petri hálót kapcsoljon, amelyet részhálónak (subnet) nevezünk. A részháló általában egy sokkal pontosabb és részletesebb leírását adja a helyettesített csomópont által reprezentált tevékenységnek. Egy magas szinten modellezett rendszernek az áttekintő Petri hálója az ún. főháló (supernet), amely egy Petri háló mindenféle részhálók behelyettesítése nélkül. Az egész Petri hálót, amely tartalmazza a összes részhálót, teljes hálónak (complete net) nevezzük. Németh et al. (2004) [P4] közleményében megtalálható a részháló halmazainak pontos formális definíciója, értelmezése és kapcsolata a főháló halmazaival. Színezett Petri hálók A színezett Petri háló (coloured Petri net) [64, 61] az alacsony szintű Petri háló kiterjesztése oly módon, hogy a tokenek között különbséget teszünk. Kezdetben csak színes pontokkal különböztették meg tokeneket, de az idő előrehaladtával már adattípusok, majd komolyabb adatstruktúrák jellemeznek egyegy tokent. Ezzel a kiterjesztéssel sokkal összetettebb, bonyolultabb modelleket is képesek vagyunk leírni tömör formában. A formális definíció szerint egy színezett Petri háló (CPN) [61] egy rendezett 9-es: CP N = (Σ, P, T, A, N, C, G, E, IN) amely teljesíti az alábbi követelményeket: (i) Σ nem-üres típusok véges halmaza, ezeket színhalmazoknak (colour sets) nevezzük (ii) P helyek véges halmaza (iii) T átmenetek véges halmaza (iv) A az élek véges halmaza, P ∩ T = P ∩ A = T ∩ A = ∅ (v) N : A → (P × T ) ∪ (T × P ) csomópont függvény (node function) (vi) C : P → Σ színfüggvény (colour function) (vii) G őr függvény (guard function). Az őr függvények a T halmaz elemeihez definiált kifejezések úgy, hogy ∀t ∈ T : [T ype(G(t)) = Bool ∧ T ype(V ar(G(t))) ⊆ Σ] (viii) E él függvény (arc function). Az él függvények az A halmaz elemeihez definiált kifejezések úgy, hogy ∀a ∈ A : [T ype(E(a)) = C(p(s))M S ∧ T ype(V ar(E(a))) ⊆ Σ] ahol p(a) az N(a) helye és CM S jelöli az összes C feletti multi-halmaz halmazát 36

(ix) IN egy kezdeti függvény (initialization function). Ezt a P halmaz elemeihez definiált kifejezésekkel adjuk meg úgy, hogy ∀p ∈ P : [T ype(IN(p)) = C(p(s))M S ∧ V ar(IN(p)) = ∅] ahol: T ype(expr) jelöli egy kifejezés típusát, V ar(expr) jelöli egy kifejezésben lévő változók halmazát, C(p)M S jelöl egy C(p) feletti multi-halmazt. Egy t átmenet kötése (binding) egy b függvény, amely a V ar(t)-n definiált a következőképpen: (i) ∀v ∈ V ar(t) : b(v) ∈ T ype(v), (ii) G(t) jelöli a G(t) őrkifejezés kiértékelését egy b lekötésben. Egy token elem (token element) egy (p, c) rendezett pár, ahol p ∈ P és c ∈ C(p). Egy kötési elem (binding element) egy (t, b) pár, ahol t ∈ T és b ∈ B(t). B(t)-vel jelöljük t összes lekötésének halmazát. Az összes token elemet T E-vel, míg az összes kötési elemet BE-vel jelöljük. Egy jelölő (marking) egy T E feletti multi-halmaz, míg egy lépés (step) egy nemüres véges multi-halmaz BE felett. Az M0 kezdeti jelölő (initial marking) egy olyan jelölés, amelyet a kezdeti kifejezések kiértékelésével kapunk. Egy átmenetet engedélyezettnek (transition is enabled) nevezünk, ha minden egyes bemeneti helye ugyanazt a bemeneti élen definiált multi-halmazt tartalmazza (lehetőleg egyesítve az őrfeltétellel) és az őrfeltétel igazra értékelődik ki. Amikor egy átmenet engedélyezett, akkor „megtörténhet” (occur), és ez azt jelenti, hogy a bemeneti helyekről a tokeneket elvesszük és a végrehajtódó átmenet kimeneti helyeihez adjuk. A tokenek színe és száma az élkifejezések által meghatározott, és a kötések végrehajtásával értékelődnek ki. Az alacsony Petri hálókra definiált fogalmak itt is megmaradnak, de a színhalmaz bevezetésével módosulnak. Erről részletesebben Jensen (1997) [61, 62, 63] háromkötetes könyvsorozatában olvashatunk. A színezett Petri hálókról egy rendszerezett oldal található a University of Aarhus Department of Computer Science (Dánia) honlapján [8]. Időzített Petri hálók Egy rendszer viselkedésének pontosabb leírásához szükséges lehet az események sorrendjén kívül időkésleltetési adatok megadása is, amely adatok döntő hatást gyakorolnak az időbeli lefolyásra. Az idő (time) bevezetésével a Petri hálók egy új osztályát kapjuk, melyet időzített Petri hálónak (timed Petri net) nevezünk. Sztochasztikus Petri hálók Az időzített Petri hálók továbbfejlesztett változatai a sztochasztikus Petri hálók. Sztochasztikus idők és valószínűségek alkalmazásának lehetőségével a Petri hálók egy általánosabb kiterjesztését kapjuk.

37

Folytonos Petri hálók Diszkrét helyek és átmenetek helyett lehetőség van folytonos helyek és átmenetek alkalmazására. Ilyenkor a jelölőhalmaz nem egy véges halmaz, hanem valós értékű tokeneket alkalmazunk, a folytonos átmentek pedig folyamatosan tüzelnek, ha van bemenetük. Hibrid Petri hálók Hibrid Petri hálóról beszélünk, ha a diszkrét elemek mellett a folytonosak is megjelennek. Ilyenkor általában a diszkrét rész valamilyen diszkrét beavatkozást vagy eseményt jelöl egy folytonos rendszermodell esetében. Egyéb Petri hálók A fentebb részletezett Petri háló kiterjesztések mellett megtalálhatjuk azok kombinációját is, úgy mint színezett időzített hierarchikus Petri háló vagy hierarchikus hibrid Petri háló, stb.

3.2. Petri hálók diagnosztikai alkalmazásai A színezett Petri háló modellek alkalmasak különböző modellezési módszerek (pl. ok-okozati szabályokat alkalmazó modell-alapú következtetés) felhasználásával diagnosztikai problémák modellezésére. Elsőként Portinale (1993) [90] közölt megoldást a diagnosztikai problémák Petri háló alapú modellezésére és megoldására abban az esetben, ha a diagnosztikai problémát datalog szabályok [45] formájában modellezzük. Ebben az esetben a helyeket a belső hibaállapotok, a meghibásodásokat a forrás átmenetek, a megfigyelhető hibajelzéseket pedig a nyelő átmenetek reprezentálják. A forrás és a nyelő átmeneteket összekötő Petri háló a hiba terjedési folyamatait írja le. A Petri háló alapú diagnosztikai rendszerben a tokenek a forrás átmenetektől indulnak, a nyelőkig terjednek, és ezután távoznak a rendszerből. Így a diagnosztikai probléma átmenet invariánsok kiszámításával oldható meg mátrix eliminációs technikák felhasználásával. Szücs et al. (1996, 1998) [106, 107] közleményeiben egy olyan Petri háló alapú intelligens diagnosztikai rendszert ismertet, amely esemény-orientált diagnosztikai módszertanon nyugszik. A vizsgált meghibásodásokban a folyamatrendszer dinamikus viselkedését ok-okozati események sorozataként Petri háló segítségével írja le. Egy tanulási módszer felhasználásával a részlegesen nem ismert dinamikus modell részeket a megfigyelt eseménysorozattal finomítani lehet. A valós idejű diagnosztika a folyamatrendszer színezett Petri háló modelljén, az elvárt működési folyamatok és a megfigyelt eseménysorozatok összehasonlításán alapszik. A Petri hálók hibadiagnosztikai felhasználásának egy másik módja az összefüggő hibafák ábrázolása és azok elemzése. Ezzel a tématerülettel foglalkozik Zouakia et al. (1999) [126] közleménye, amelyben nem csak a hibafák Petri hálóval való leírását tárgyalja, hanem egy új algoritmust mutat be összefüggő hibafák minimális vágások halmazának meghatározására. Figyelmet szentel a nagy méretű hibafák kezelésének komplexitási problémájára, amelyet modularizálással és hierarchiákba szervezéssel old meg. Petri hálók alkalmazásának lehetőségét az eset alapú következtetés (case-base reasoning, CBR) hibadiagnosztikára való alkalmazásában Yang et al. (2004) [122] vizsgálták. Egy olyan intelligens Petri háló alapú CBR rendszert valósítottak meg,

38

amely képes új adatot felülvizsgálni vagy hozzáadni az esetbázishoz, és visszakeresni lehetséges esetet. Az általuk felhasznált CBR előnye, hogy nem kell semmilyen komplikált szabályok formájában általánosítani a tudást. Az összetett rendszer új meghibásodási esetek hozzáadásával pontosabb megoldásokra képes. CBR rendszerekben a Petri hálók alkalmazása lehetőséget biztosít az adatok revíziójára. Petri hálók más mesterséges intelligencia területén alkalmazott technikákkal kombinálva (például fuzzy következtetések [85], neurális hálók [91]) szintén lehetőséget biztosítanak hibadiagnosztikai felhasználásra. Ezen esetekben a Petri háló általában csak egy keretrendszer, amelyben az alkalmazott technikák felhasználásra kerülnek. A gráfelméleti alapon nyugvó előjeles irányított gráfot (signed directed graph, SDG) is alkalmazzák a hibadiagnosztikában. Az SDG egy kvalitatív modellezési módszer, amely ok-hatás kapcsolatok leírására alkalmas. Az SDG ok-okozati ismeretek leírására széles körben alkalmazott eszközök a hibadiagnosztika területén. Egy áttekintést találhatunk az SDG-k hibadiagnosztika területén történő alkalmazásáról Venkatasubramanian et al. (2003b) [115] közleményében. Néhány közlemény [111, 101, 118] foglalkozik Petri háló modellek automatizált HAZOP analízisre való felhasználásával, amelyben HAZOP-digráf (HDG) modelleket használnak fel a diagnosztikai feladat végrehajtásához. A HDG tekinthető úgy, mint az SDG egy kiterjesztése, ahol az SDG-ben szereplő, a folyamatrendszer változóit reprezentáló csomópontokon és a változók közvetlen kapcsolatait definiáló éleken kívül a HDG tartalmazza a hazárd azonosításához szükséges abnormális ok és káros következmény csomópontokat is, amelyeket a HAZOP analízishez használnak. Ezek a csomópontok kapcsolódnak a folyamatváltozókhoz. A HAZOP analízis a megfelelő HAZOP vezényszavak felhasználásával a folyamatváltozókban szereplő devianciák generálásával indítva és a HDG-n végigterjesztve az összes lehetséges káros következmény megtalálásával történik. Többszörös hibák detektálásának problémakörét Vedam and Venkatasubramanian (1997) [114] közleménye tárgyalja. Az irodalomban fellelhető közlemények között találhatók olyanok is, amelyekben szintén Petri háló modelleket alkalmaznak automatizált HAZOP analízisre [101, 112, 102], azonban a teljes diagnosztikai rendszert valamilyen szakértői rendszer környezetben implementálták.

3.3. Egy színezett Petri háló alapú diagnosztikai keretrendszer 3.3.1. A diagnosztikai keretrendszer elemei Mint azt már a 2.1.3 alfejezetben bemutattam, a diagnosztikai rendszerben szereplő ismeretek egyrészt a rendszert leíró modellt, másrészt a HAZOP táblából származó információkat tartalmazzák. A színezett Petri hálón alapuló diagnosztikai keretrendszerben mindkét típusú ismeretet CPN formában ábrázoltam, így egy homogén rendszerhez jutottam. A szimptómák, a gyökér okok és a rendszer modell egymástól tisztán elkülöníthetők, de megmaradnak a köztük lévő kapcsolatok.

39

3.3.2. A keretrendszer szerkezete A javasolt többléptékű diagnosztikai rendszer megvalósításához az alábbi specifikus tudáselemek szükségesek: • szimptómák, • gyökér okok és megelőző beavatkozások, • hierarchikus (többléptékű) modell. A fenti tudáselemek közötti HAZOP táblából származó ok-okozati kapcsolatok „ifthen” alakú szabályokkal írhatók le. A CPN modellben elválasztható az alábbi három információtípus, amelyet három rétegben különítettem el [P1, P3, P5]: • hierarchikus modell (többléptékű modell) réteg, • szimptóma azonosítás réteg, • gyökér okok meghatározása réteg.


   

 

Hierarchikus modell

     Szimptóma azonosítás

Gyökér okok meghatározása

10. ábra. Rétegek és kapcsolataik a hierarchikus CPN modellben A 10. ábrán látható a három réteg és a köztük lévő kapcsolatok. A rétegek közötti információcserét összevont helyekkel (fusion place) valósítottam meg, amelyek megosztják az értékeiket a megfelelő rétegek között. A hierarchikus modell egy mérhető vagy megfigyelhető változója egy összevont halmaz (fusion set) elemeként továbbítja az értékét a „szimptóma azonosítás” réteghez. Ehhez hasonlóan a felismert szimptómák további feldolgozásra továbbítódnak a „gyökér okok meghatározása” réteghez. A gyökér okok meghatározása után a HAZOP tábla ismereteit használom fel, hogy szükséges beavatkozás(oka)t találjak, amely(ek) visszaviszi(k) a rendszert a normális működési tartományába, mielőtt még a kritikus meghibásodások vagy hibák bekövetkeznének. 40

3.3.3. A keretrendszer működése A predikciós diagnosztikai rendszerben a modell alapú hiba detektálás, a diagnosztika és a veszteségmegelőzés lépései egy ciklusba szerveződnek, amelynek fő lépései a következők: (1) Mérések begyűjtése és szimptóma detektálás A vizsgált rendszerből érkező mért jeleket és a köztük lévő kapcsolatokat felhasználva a lehetséges szimptómákat határozza meg. (2) Hiba detektálás A detektált szimptómákhoz kapcsolódó releváns hierarchia szintet és/vagy rész-modellt találja meg felhasználva a modell és a HAZOP táblában szereplő információk hierarchiáját és kapcsolatát leíró Petri háló elemeket. Azután a lehetséges oko(ka)t határozza meg a Petri hálóval modellezett logikai kapcsolatokkal. Figyelembe veszi azt is, ha egy egyszerű okhoz összetett szimptóma, vagy ha egy egyszerű szimptómához több ok tartozik. Ezeken kívül a lehetséges okokhoz tartozó lehetséges megelőző beavatkozásokat is meghatározza. (3) Veszteségmegelőzés A detektált hibá(k)hoz minden lehetséges megelőző beavatkozásra javaslatot tesz, amellyel a rendszert visszaviszi a normális működési tartományba. (4) vissza az 1. lépéshez. A fenti ciklikus folyamat minden egyes diagnosztikai időlépésben egyszer hajtódik végre. A diagnosztikai eljárás lépései és azok kapcsolata a diagnosztikai rendszer további elemeivel Petri háló elemek formájában reprezentáltak, így a Petri háló működése valósítja meg a diagnosztikai lépéseket.

3.3.4. Predikció A „veszteségmegelőzés” lépésben a lehetséges megelőző beavatkozások kipróbálása dinamikus szimulációval megvalósított predikció segítségével történik. A predikcióhoz szükséges a diagnosztizálandó folyamatrendszert reprezentáló modell, amely általában koncentrált paraméterű (nemlineáris) folytonos idejű állapottér modell formájában adott. A rendszer dinamikus viselkedésének Petri hálóval történő analíziséhez a modell következő diszkrét idejű formájára van szükségünk: x(k + 1) = f (x(k), u(k)) , x(0) = x0 y(k) = g(x(k), u(k)) , ahol x az állapotvektor, u a bemeneti vektor, y a kimeneti vektor, x(0) a kezdeti feltétel, f az állapotfüggvény, g a kimeneti függvény, k az idő. A színezett Petri háló modellek alkalmasak a hierarchikus modellek leírása mellett a színezések felhasználásával elég finom kvalitatív modellek kezelésére is. Ezért

41

P

In

P

INT

P

In

LSTREAM

InStream

stream

water

Gran_1 HS

In

P

In

INT

INT

Binder_1

Binder_2

LSTREAM

Stream_1 stream Gran_i#7 Stream_1->Output InStream->Input Binder_1->Binder

water

Gran_2 HS

Binder_3

LSTREAM

Stream_2 stream Gran_i#7 Stream_2->Output Stream_1->Input Binder_2->Binder

water

Gran_3

LSTREAM stream

Stream_2

P stream

transfer

Out

LSTREAM

stream OutStream

HS Gran_i#7 Stream_2->Output Binder_3->Binder Stream_2->Input

LSTREAM Gran_exit _stream FG

Gran_exit_ stream

stream

11. ábra. A granulátor dob CPN részhálója

a predikcióhoz felhasznált diszkretizált modellt Petri háló formájában valósítottam meg, ahol a helyek reprezentálják a modellben szereplő változókat, az élek és az átmenetek pedig leírják a változók közötti kapcsolatot (a differencia és az algebrai egyenleteket). A 11. ábra a granulátor dob modelljének felső szintjét leíró Petri hálót mutatja be. A rendszermodell leírható hierarchikus formában is a diszkretizált modell méretétől és a szerkezetétől függően. Az ilyen módon megvalósított Petri háló modellt használtam fel a valós rendszer szimulációjához illetve egy másik példányát (amely lehet egyszerűsített modell is) pedig a lehetséges beavatkozások hatásának predikálásához. A valós rendszer szimulációjára a Petri háló modell helyett külső szimulátor is alkalmazható, amely interfésszel (TCP/IP protokoll felhasználásával) kapcsolódik a diagnosztikai Petri háló-rendszert tartalmazó szoftverhez.

3.4. Esettanulmány: színezett hierarchikus Petri háló alapú granulátor diagnosztikai rendszer Az ismertetett módszert és a Petri háló alapú diagnosztikai rendszer prototípusát [P1, P3, P5] egy műtrágyagyártó granulátor körön mutatom be. A diagnosztikai rendszer megvalósításához a Design/CPN [3] színezett Petri hálók felhasználására készült eszközt választottam, amely háló építés mellett támogatja a szimulációt, az elérhetőségi gráf építést és az analízist.

3.4.1. A granulátor diagnosztikai rendszer elemei A 11.-13. ábrákon egy-egy példa látható CPN részhálóra a 3.3.2 alfejezetben elkülönített három rétegre, azaz a modell, szimptóma azonosítás és gyökér okok meghatározása rétegekre. Az egyes rétegek között a 11.-13. ábrákon az FG-vel (fusion group) jelölt összekapcsolt helyek valósítják meg az információcserét. A 11. ábrán látható a granulátor dob felső szintű modellje. A helyek reprezentálják a rendszer bemeneti-, kimeneti- és állapotváltozóit, a helyettesítő átmenetek pedig leírják a granulátor dobban lezajló folyamatokat.

42

LSTREAM null(5)

LSTREAM

LSTREAM Gran_exit _stream FG

d50 stream

Locate_ d50 C

d50

Distrib_ function

2‘stream_1

stream

Calculate C

Gran_exit_ stream

head::List.take(d50,4) 2‘true stream

stream BOOL 1‘true

Symptom d50 C

up

BOOL false

down up2

d50 UP

D50_MO

New_ Data_ Available

stream

1‘true

LSTREAM null(5)

FG RE

GSD

GSD LEFT/ RIGHT C

BOOL down2

false

d50 DOWN

GSD GSD

D50_LES S

FG

right_1

left_2 left_1

right_2 GSD_LEF T FG

GSD LEFT

BOOL false

BOOL

GSD RIGHT

GSD_RIG HT FG false

12. ábra. A szimptóma azonosítás réteg egy CPN részhálója

A 12. ábrán egy példa látható a szimptóma azonosítás réteg egy részére. A példa a granulátor dobból kilépő részecskefolyam (Gran_exit_stream hely) értékéből meghatározza a részecske méret eloszlást (Distrib_function hely), majd kiszámítja annak középértékét (d50 hely). A Symptom d50 átmenet ellenőrzi, hogy a d50 változó értéke elmozdult-e felfelé vagy lefelé, és ekkor a megfelelő szimptómát reprezentáló helyre (d50 DOWN vagy d50 UP) egy token kerül. A szimptómáknak megfelelő helyek összevont helyek, így továbbítódik a szimptóma megjelenése a gyökér okok meghatározása rétegekbe. A 13. ábrán szemléltetem a gyökér okok meghatározása réteg egy töredékét. A d50 LESS hely, amely a szimptóma azonosítás rétegben szereplő d50 LOW hellyel van összevonva, a „d50 = LESS” szimptómának felel meg. Hasonlóan az RR MORE hely is egy szimptómát reprezentál, amely a „Recycle = MORE” szimptómával azonosítható. Ha ezen a két helyen egyidejűleg token található, akkor ez azt jelenti, hogy ezen szimptómák kombinációja bekövetkezett a diagnosztizált rendszerben. Ezt tovább vezetve a Petri hálón azt kapjuk, hogy a Binder flow LESS hely által reprezentált „Binder flow less” okot találja meg, melyhez a javasolt beavatkozás a Binder-flow-rate rendszerváltozó értékének megnövelése.

3.4.2. Ismeretek reprezentálása Egy szimptómát, amely a HAZOP tábla első két oszlopával fejezhető ki, a diagnosztikai rendszer Petri hálójában egy hellyel reprezentáltam. A HAZOP táblából visszafejtettem a lehetséges okokat és meghatároztam a szimptómák és a gyökér okok közötti logikai kapcsolatokat, amelyet 14. ábrán láthatunk. Ezeket a HAZOP táblákon értelmezhető logikai kapcsolatokat írtam le Petri háló segítségével. Végezetül a gyökér okokhoz rendeltem a beavatkozási lehetősége(ke)t.

43

v_drum_L ESS FG

BOOL GSD_LEF T FG

RR_MOR E FG

BOOL

v_drum LESS

GSD LEFT

D50_LES S FG

BOOL

BOOL

RR MORE

d50 LESS

D50_MO RE FG

BOOL

d50 MORE

b1 b1 b3

b1

b2

b2

AND

AND

b2 [b1 andalso b2]

[b1 andalso b2]

b1

true

true

AND

BOOL

Tech

BOOL

Tech

b2

[b1 andalso b2]

OR b1

[b1 orelse b2]

true BOOL

b2

OR

Tech

[b1 orelse b2 orelse b3] true

true

true

true BOOL

Granulator Exit Flow LESS

BOOL

Up v_drum [b1] old_value

new_value

v_drum FG

INT

v_drum

b2

b1

Up FreshFeed FlowRate

b1

b3

Down FreshFeed FlowRate

[b1]

Binder Flow LESS

Granulator Moisture Content LESS

b1 b1

BOOL

BOOL

Granulator RetentionTi Time LESS

Up Binder Flow Rate [b1]

old_value old_value

new_value

INT new_value FreshFeed

Flow Rate

old_value

[b1 orelse b2 orelse b3] new_value INT

FFFR

Binder Flow Rate

FG

BFR FG

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

44

Granulator exit size MORE

Granulator retention time MORE

MORE GSD

LEFT GSD

LESS vg_drum

Granulation drum speed LESS

Granulator moisture content MORE

Granulation exit flow LESS

LESS RR

Binder flow MORE

MORE d50

LESS FFFR

LESS PSDRec

LEFT GSD

Fresh feed flow LESS

Granulator retention time LESS

Granulation drum speed MORE

Fresh feed size MORE

Granulator moisture content LESS

MORE vg_drum

MORE RR

Binder flow LESS

LESS d50

LESS GSD

LESS BFR

Granulator exit size LESS

NONE BFR

Binder flow NONE

Fresh feed flow MORE

Granulator exit flow distribution WIDE

MORE FFFR

WIDE GSD

NONE vg_drum

NONE GEF

Granulation drum speed NONE

NARROW GSD

NONE GEF

Granulator exit flow distribution NARROW

Granulation exit flow NONE

NONE FFFR

Granulator retention time NONE

NONE Level

Fresh feed flow NONE

14. ábra. Szimptómák és gyökér okok kapcsolata

3.4.3. Diagnosztikai eredmények A 3.4.1 fejezetben ismertetett hierarchikus színezett Petri hálókon alapuló rendszert használtam fel a granulátor dob működésének szimulációjára, valamint diagnosztikai célból szimptóma detektálásra és gyökér okok meghatározására. A 3.3.3 fejezetben bemutatott módszer lépéseinek és eljárásainak illusztrálására egy összetett esetet mutatok be, amely több szimptóma együttes detektálásán és kezelésén alapul. Vizsgáljuk meg azt az esetet, amikor a rendszer a következő szimptómákat detektálja (felhasználva a 4. táblázat jelöléseit és a 6. HAZOP tábla részletet): ((d50 Less) and (RR More)) or (GSD Shift Left) A szimptóma detektáláskor a „szimptóma azonosítás” rétegben a „d50 = LESS” és „Recycle = MORE” szimptómáknak megfelelő helyeken igaz értékek szerepelnek, amelyek a „gyökér okok meghatározása” réteg megfelelő helyein megjelennek. A 14. ábrán láthatók azok a logikai kapcsolatok, amelyekkel a lehetséges gyökér ok(ok) meghatározhatók. Ezek a HAZOP táblákban szereplő információkból alakíthatók ki. A logikán látható, hogy ha a (d50 Less) és (RR More) szimptómák logikai ÉS kapcsolatát kombináljuk a (GSD Shift Left) szimptómával, az két lehetséges okhoz vezet: (1) Binder flow LESS, (2) Granulator moisture content LESS. A mérnöki intuíció azt sugallja, hogy a két ok kapcsolatban lehet egymással: a (2) ok egy következménye lehet az (1) oknak. A szükséges beavatkozások ezekben az esetekben: (1a) Check and increase the binder flow rate, 45

(2a) Check and increase the binder flow rate. A szükséges beavatkozásokból is látható, hogy a két okhoz ugyanazon beavatkozás tartozik. További vizsgálat során tekintsük azt az esetet, amikor a szimptómák előbb vizsgált kombinációját együtt detektáljuk a (vg_drum Less) szimptómával. Ekkor még egy lehetséges ok jelenik meg: (1’) Granulator exit flow Less. A szükséges beavatkozás ebben az esetben: (1’a) Check the hopper level OR check and increase drum speed OR Check and increase the binder flow rate (ez utóbbi beavatkozás ugyanaz, mint az (1a) illetve (2a)). Az (1’a) beavatkozással kapcsolatban fontos megjegyezni, hogy az ipari üzemekben a granulátor dob forgási sebessége nem változtatható, azonban a dob forgási sebességének megváltozása egy hiba lehet a rendszerben a motor részleges meghibásodása következtében. A 6. táblázatbeli HAZOP tábla részlet alapján általános esetben az azonosított gyökér okoknak megfelelő javasolt beavatkozások különbözőek. A bemutatott esettanulmány első részében azonban az azonosított (1) és (2) gyökér okokhoz tartozó lehetséges beavatkozások megegyeznek, míg a második (1’a) esetben már nem egyértelműek a lehetséges megfelelő beavatkozások. Ezért felmerül a kérdés, hogy ez utóbbi esetben hogyan válasszuk ki a megfelelő megelőző beavatkozást. Egyik lehetséges megoldás az összes lehetséges megelőző beavatkozás kipróbálása külön-külön vagy kombinálva a szimulációs környezetben dinamikus szimuláció (például predikció) alkalmazásával, amely alapján kiválasztható a legjobb minőségű beavatkozás. Ez az üzem operátorának tanácsokat adhat egy akció lista formájában. Egy másik alternatívaként ellenőrizhető és kiterjeszthető az eredeti HAZOP tábla „Következmény” listája a beavatkozások nélküli szimulációk végrehajtásával. A fenti példában szereplő okok közötti feltételezett ok-okozati viszonyok így szimulációval feltérképezhetőek lennének.

3.4.4. A színezett Petri háló alapú diagnosztikai rendszer lehetséges alkalmazási módjai A fenti diszkussziót általánosíthatjuk abból a célból, hogy feltárjuk a javasolt színezett Petri háló alapú diagnosztikai rendszer lehetséges alkalmazási módjait. Az előző alfejezetben láthattuk, hogy a bemutatott CPN alapú diagnosztikai módszer két különböző, de egymással kapcsolatban lévő célra is felhasználható, amelyek az alábbiak. (1) A diagnosztikai rendszer a megfelelően struktúrált dinamikus rendszer leíráson keresztül jó áttekintést ad a különböző rendszerhibákról és meghibásodásokról, azok tovaterjedéséről és hatásaikról. Ezen problémák megoldása HAZOPdigráf modellek alkalmazásával már korábbi közleményekben (pl. [101, 112]) 46

megjelent, ahol a HDG szerkezetéből adódóan vizsgálhatók a meghibásodások lehetőségei. Ezek a vizsgálatok más, az általam bemutatott struktúrált rendszer leírással is megvalósíthatók lennének. (2) A diagnosztikai módszert alkalmazva verifikálhatóak és validálhatóak a HAZOP eredmény táblában szereplő információk, eltávolíthatóak a nem szükséges információk, és a szimuláció által szolgáltatott új adatokkal a HAZOP eredmény táblák kiegészíthetők. A fentiek megvalósítása a dolgozatomban bemutatott kutatási eredmények lehetséges továbbfejlesztési irányait jelöli ki.

3.5. Összefoglalás Ebben a fejezetben a színezett hierarchikus Petri háló alapú predikción alapuló diagnosztikával kapcsolatos fogalmakat, módszereket és saját kutatási eredményeimet ismertettem a [P1], [P2], [P3], [P4] és [P5] közlemények alapján. A Petri háló alapú diagnosztikai rendszer struktúráját és tudáselemeit tárgyalja a 3.2.2 alfejezet. A diagnosztikai rendszerben használt információkat három rétegben különítettem el az információk típusa szerint: a hierarchikus (többléptékű) modell réteg, a szimptóma azonosítás réteg és a gyökér okok meghatározása réteg. A rétegeken belüli elemek a többléptékű modell hierarchiáját követik. A HAZOP táblából származó információkat „if - then” alakú szabályokká alakítottam, amelyek jól reprezentálhatók Petri hálóval. A szabályokban szereplő ok-okozati kapcsolatokat leíró predikátumok impliciten egymáshoz láncolják a szabályokat, ezáltal a HAZOP táblában szereplő ok-okozati viszonyok Petri háló formájában jól leírhatók. A diagnosztikai rendszer működését a Petri háló működése írja le. Az ismertetett módszert és a prototípus rendszert egy granulátor körön mutattam be a 3.3 alfejezetben. A diagnosztikai rendszer megvalósításához a Design/CPN színezett Petri hálók építésére és használatára készült szoftver csomagot választottam, amely támogatja a hierarchikus modellépítést és a szimulációt.

47

4. fejezet Predikción alapuló diagnosztika szakértői rendszerrel A predikción alapuló diagnosztika a valós idejű diagnosztikai rendszerekben használatos egyik legjobb megközelítés, amely felhasználja a diagnosztizálandó üzem dinamikus, kvalitatív és/vagy kvantitatív rendszer modelljét. A nagyméretű és bonyolult rendszerek esetében a diagnosztikához rendelkezésre álló információk különböző forrásokból (például az üzemben működő folyamatfelügyelő számítógépes rendszer által mért adatok, operátori megfigyelések, tervezési alapadatok, szakértői értékelések stb.) származnak. Ezért szükséges egy intelligens diagnosztikai eszköz, amely képes: - együtt kezelni a heurisztikus és az elméleti ismereteket, - szisztematikus eljárásokat (következtetéseket) használ heurisztikus szabályokkal ötvözve, - következtet többszörös hiba hipotézisek esetén, - tanácsot ad megelőző beavatkozási stratégiákra. Ezen igények figyelembe vételével a predikción alapuló diagnosztikai rendszert célszerű olyan szakértői rendszerrel megvalósítani, amely képes kezelni a modell-alapú on-line hiba detektálást, diagnosztikát és a veszteségmegelőzést még igen nagyméretű folyamatrendszerek esetében is. Ebben a fejezetben egy saját fejlesztésű diagnosztikai szakértői rendszert mutatok be, amely on-line diagnosztikára és veszteségmegelőzésre használható. A rendszert G2 valós idejű szakértői keretrendszerben [30] valósítottam meg. A diagnosztikai „ok-következmény” szabályokat és a lehetséges beavatkozásokat a HAZOP analízis eredményeiből állítottam elő. A rendszer szabálybázisa hierarchikusan strukturált, amelyet a rendszer többléptékű folyamatmodell szerkezete határoz meg. A diagnosztikai rendszert egy granulátor üzem példáján mutatom be.

4.1. Szakértői rendszerek A hetvenes évek elején fejlesztették ki az ismeretalapú technológiát, amelynek felhasználásával a kutatók az általános problémamegoldó programok [37] helyett speciális szakismeretet igénylő feladatokat elvégző rendszereket dolgoztak ki. Az ismeretalapú rendszerek [104] közül elsőként a szakértői rendszerek [60] terjedtek el 48

szélesebb körben. Ebben az alfejezetben áttekintést adok a szakértői rendszerekkel kapcsolatos fogalmakról és módszerekről.

4.1.1. Ismeretalapú technológia Az ismeretalapú rendszerek (knowledge-based system) [104] a hagyományos szoftverektől eltérő programszerkezettel rendelkeznek, a problématerületet leíró ismeretek a rendszer többi részétől elkülönítve, az ún. ismeretbázisban (tudásbázisban, knowledge base) tárolódnak. Ekkor a feladatmegoldás, amelynek „motorja” a következtetési módszereket realizáló következtető gép, az aktuális feladatmegoldási szituációtól függő módon a tudásbázisból kiválasztott ismeretdarabok végrehajtásával megy végbe. Az ismeretalapú rendszerek közül azokat, amelyek szakértői ismeretek felhasználásával egy szűk problémakörhöz kapcsolódnak, szakértői rendszereknek (expert system, ES) [60] nevezzük. Egy szakértői rendszertől elvárjuk, hogy egy szakértőhöz hasonlóan javaslatokat adjon, javaslatait indokolja, a felhasználó kérdéseit megválaszolja („egyenrangú beszélgető partner”), a kérdéseket megmagyarázza, bizonytalan szituációban elfogadható javaslatot adjon. A szakértői rendszereket olyan területen alkalmazzák, ahol kellő mélységű szakértelemre van szükség. Az ismeretalapú rendszerek fejlesztői felismerték, hogy az elkészült rendszereket könnyen fel lehet használni ugyanolyan struktúrájú tudásbázissal rendelkező más, további rendszerek fejlesztésére. Így az alkalmazások fejlesztése mellett az ismeretalapú keretrendszerek, shellek fejlesztése is hangsúlyt kapott. A keretrendszerek üres tudásbázissal rendelkező héjak, amelyek erőteljes tudásbázis fejlesztő alrendszerek és tárgyterülettől független szolgáltatásokat nyújtanak szakértői rendszer létrehozásához és működtetéséhez.

4.1.2. Az ismeretalapú rendszerek struktúrája Az ismeretalapú rendszereknek három fő komponense van [39], amelyet a 15. ábra szemléltet: • ismeret-/tudásbázis, • következtető gép, • eset specifikus adatbázis (munkamemória, MM). Ismeret-/tudásbázis (TB) A tudásbázis az adott problématerületre vonatkozó specifikus ismeretek (tények, objektumok, kapcsolatok, heurisztikus ismeretek) szimbolikus leírását tartalmazza valamilyen tudásreprezentációs módszer szerint rendezve. Következtető gép A következtető gép az adott ismeretreprezentációs módot kiszolgáló, egy vagy több megoldáskereső stratégiát megvalósító program, kiegészítve egyéb funkciókkal.

49

15. ábra. Ismeretalapú rendszerek felépítése

Eset specifikus adatbázis (munkamemória, MM) Az eset specifikus adatbázis az adott megoldandó feladat specifikus információit tartalmazza: külvilágból érkező információkat, adatokat; valamint a rész- és végső következtetések során kapott ismereteket. A három fő komponensen kívüli további elemek: Magyarázó alrendszer A magyarázó alrendszer a feladat megoldása közben a felhasználói kérdéseket megmagyarázza, indokolja a rendszer javaslatát. Tudásbázis kezelő/fejlesztő alrendszer A tudásbázis kezelő/fejlesztő alrendszer feladata a TB építése, tesztelése, módosítása. Tartalmaz TB fejlesztő, tudásszerzést támogató szolgáltatásokat. Felhasználói felület A felhasználói felület lehetőséget biztosít az ember-gép természetes nyelvű párbeszédhez, konzultációhoz. Ezen keresztül jutnak el a felhasználóhoz a magyarázatot adó és egyéb szolgáltatások is. Fejlesztői felület A fejlesztői felületen keresztül a tudásmérnök eléri a TB fejlesztő, tudásszerzést támogató alrendszer szolgáltatásait. Speciális felületek A speciális felületek a következtetőgép által vezérelt, adatbázisés egyéb kapcsolatokat (pl. adat-lekérés, külső eljárás meghívása, mért adatok fogadása, szabályozók adatokkal való ellátása) biztosítják.

50

Felhasználó A felhasználó váltott kezdeményezésű párbeszédeket folytat a rendszerrel, tanácsadó partnerként konzultál. A felhasználó a rendszer által adott magyarázatokat figyelembe véve felelősségteljesen dönt. Tudásmérnök A tudásmérnök az adott tárgyköri tudás megszerzésében, annak megfelelő formalizálásában és a rendszerépítésben jártas szakember.

4.1.3. Következtetési technikák Az ismeretalapú rendszerekben elterjedt a szabályalapú reprezentáció és következtetés [99, 39, 45] alkalmazása. A rendelkezésre álló ismeretek tények és szabályok formájában fogalmazhatók meg. A tények speciális ismereteket fejeznek ki egy tématerület egyedeiről vagy azok részhalmazairól. A szabályok általános összefüggéseket írnak le „if - then” formában. Minden feladat egy célállítás bizonyítását vagy elérését tűzi ki célként. A következtetés eszköze a szabályalkalmazás, más néven a szabályillesztés. Egy tényből és egy szabályból újabb tényre következtethetünk. A logikában ezt a modus ponens [99, 39] fejezi ki, amelyet az alábbi alakban szokás megadni: A, A → B B

A, A → B ⇒ B .

vagy

A szabályalkalmazás irányának megfelelően kétféle következtetési mód van: • előrefelé haladó (adatvezérelt) következtetés (előre láncolás), • visszafelé haladó (célvezérelt) következtetés (visszafelé láncolás). Az előrefelé haladó következtetés a tényekből kiindulva szabályillesztesék láncolatán keresztül egy cél elérése felé halad. Egy adott rendszerállapotban a szabályok feltétel részének az aktuális tényekhez való illesztésével határozhatók meg az alkalmazható szabályok. Minden egyes lépésben csak egy szabály hajtható végre, ezért konfliktus helyzet állhat elő, ha több alkalmazható szabály áll rendelkezésre. A konfliktusok valamilyen konfliktusfeloldó stratégia (pl. szabályokhoz prioritás rendelése) alkalmazásával kezelhetők. A kiválasztott szabály alkalmazása a szabály következmény részének végrehajtásával történik. Amennyiben nincs alkalmazható szabály és nem értük el a célállapotot, akkor bizonyos esetekben van lehetőség egy korábbi állapotba való visszalépésre és még nem próbált szabályok alkalmazására. Előrefelé haladó következtetésnél a visszalépés elég nehéz, mert ehhez meg kell őrizni az aktuális állapotokat, ennek következtében nem is igazán szokták alkalmazni. A visszafelé haladó következtetés a célállításból indulva a tények irányába halad. Egy feltételezett állapotból kiindulva a szabályok alkalmazásával a céllálítás igazolása részcélok igazolására vezethető vissza. Egy adott lépésben a szabályok következmény részének a célhoz/részcélokhoz való illesztésével előállíthatók az alkalmazható szabályok, visszavezetve a cél/részcél bizonyítását a szabály feltételi részét alkotó tények (mint újabb részcélok) igazolására. A konfliktushelyzetek kezelése visszafelé haladó következtetés esetén leggyakrabban az elsőként megpróbált szabály alkalmazásával történik. A következtetés akkor sikeres, ha minden részcél igazolásra került. 51

Sikertelen próbálkozás esetén itt is lehetőség van visszalépés alkalmazásával más, még nem próbált lehetőségek vizsgálatára. A szabályalapú következtetési technikákat alkalmazó rendszerek esetén a vezérlési stratégia iránya szerint megkülönböztetjünk a célvezérelt szabályalapú rendszereket és az adatvezérelt szabályalapú rendszereket. A diagnosztikai rendszerek általában megfigyelések (mint okozatok) halmaza fölötti következtetést végeznek, megoldásként egy vagy több lehetséges javaslatot (okot, okokat) kidolgozva. A lehetséges okok halmaza adott, amelyből a diagnosztika során a szakértő egy vagy több lehetséges okot választ ki és megpróbálja azt vagy azokat a megszerzett ismeretek alapján igazolni. A problémamegoldás iránya ebben az esetben célvezérelt, ezért hatékonyan alkalmazhatók a célvezérelt szabályalapú rendszerek.

4.1.4. Valós idejű szakértői rendszerek A valós idejű szakértői rendszerek on-line tudásbázisú rendszerek, amelyek ötvözik az analitikus folyamatmodelleket a hagyományos folyamatirányítással és a heurisztikákkal, azért, hogy feldolgozzák és értelmezzék az érzékelőkből származó adatokat, miközben következtetnek a múltból, és a jelenből kiértékelik a vizsgált rendszer jövőbeli viselkedésének alakulását, valamint megtervezik a megfelelő beavatkozásokat. A diagnosztikai rendszerek – rendeltetésüknek megfelelően – az adott technológia működésében fellépő hibák gyors azonosítására, illetve adott határok között hatásaik közömbösítésére/áthidalására képesek. Ennek hátterében nagyon sokféle információ feldolgozási feladat valós idejű, illetve előírt válaszidő mellett történő számítógépes megoldása áll. Nyilvánvalóan kulcskérdés ilyenkor a rendelkezésre álló számítási kapacitás, de a rendszer tényleges működését nagyban befolyásolja az is, hogy az információ feldolgozás precedencia viszonyai – beleértve az időzítési és adatelérési viszonyokat is – milyen feldolgozási sebességet tesznek lehetővé. Bármilyen előrelátó módon is tervezzük az ilyen alkalmazói rendszereket, szinte elkerülhetetlen, hogy éppen kritikus működési fázisokban fel ne lépjen súlyos adat- és/vagy időhiány, ami a diagnosztikai rendszer működési zavarát eredményezheti. A valós idejű rendszerekkel szemben támasztott általános követelmények az alábbiak [46]: (i) Időfüggő reakciók Az abszolút és relatív idő egy fontos szinkronizációs mechanizmus a valós idejű rendszerekben. Vannak periódikus és időfüggő feladatok, amelyet egy speciális hardver vagy szoftver óra vezérel. (ii) Véges előírt válaszidő Egy jellemző tulajdonsága a valós idejű rendszereknek. Minden kérést egy előre meghatározott véges időn belül végre kell hajtani, ezért nincs olyan feladat, amelynek megoldására végtelenül sokáig vagy megbecsülhetetlen hosszú ideig várnia kell. (iii) Időtúllépés (time-out) Az időtúllépés megakadályozza, hogy a rendszer valamire való túl hosszú ideig

52

várakozzon. Ha egy cselekvésre egy adott időn belül nem érkezik válasz, akkor törlődik (nem hajtódik végre) és néhány beépített alap cselekvést hajt végre egy figyelmeztető üzenet kíséretében. (iv) Nyers adatok megőrzése A valós idejű rendszerek terhelése egységnyi idő alatt a jelekben bekövetkező változások mennyiségével jellemethető, amely hatással van a rendszer viselkedésére és annak válaszaira vagy cselekvéseire. Vannak olyan időszakok, amikor szinte semmi sem történik, viszont vészhelyzetben a terhelés az átlagos százvagy ezerszeresére is megnőhet. A terhelés ezen természetes változásainak következtében a valós idejű rendszereket túlterheléses esetekre tervezik. Egy fontos követelmény a valós idejű rendszerekkel szemben, hogy túlterhelés esetén sem veszhet el nyers adat. Lehet, hogy a rendszer az adatokat a beérkezés pillanatában nem vagy csak egy részét képes feldolgozni, de el kell tárolnia az összes beérkező adatot az esetleges későbbi feldolgozások érdekében. (v) Prioritáskezelés Ha a valós idejű rendszerben túlterhelés van, akkor a legfontosabb feladatokat végezze el először és addig hanyagolja a többit. Ezen folyamat megvalósítása érdekében minden feladathoz, folyamathoz prioritást kell rendelni, és egy prioritáskezelő mechanizmusnak kell biztosítania a feladatok megfelelő sorrendű kiszolgálását. (vi) „Szép lefokozás” („nice degradation”) Vannak olyan esetek, amikor a túlterhelés tartós, ilyenkor a rendszer csak a legmagasabb prioritással rendelkező feladatokat hajtja végre. Túlterhelt állapotban is biztosítani kell azonban a felhasználó számára a legalapvetőbb feladatok elvégzését, amellyel lekérdezi a rendszer állapotát és a beavatkozásokat végre tudja hajtani.

4.2. Diagnosztikai szakértői rendszerek az irodalomban Manapság egyre nagyobb az igény a tudomány szinte bármely területén a szakértői rendszerekre. A diagnosztizáló problémákat megoldó szakértői rendszerek [48] az egyik fő alkalmazási területe a szakértői rendszereknek, ezért az irodalma hatalmas. Diagnosztikai célú szakértői rendszerek elsősorban az iparban és az orvostudomány területén használatosak. Az irodalomban fellelhetők különböző folyamatrendszerekhez kapcsolódó diagnosztikai szakértői rendszerek. Venkatasubramanian et al. (2003c) [116] egy áttekintést ad a szakértői rendszerek hibadetektálás és diagosztikai célú alkalmazására. A szakértői rendszerek szabály alapú kiterjesztését széles körben használják különféle alkalmazásokban. Egy szakértői rendszer általában egy nagyon speciális rendszer, amely a szakértői tudás egy nagyon kicsi területén segít megoldást találni. A szakértői rendszerek hiba diagnosztikára történő alkalmazásának első kísérletei [50]

53

a ’80-as évek közepére tehetők. Kezdetben számos nagy diagnosztikai rendszert építettek nem strukturált szabálybázisok felhasználásával. A tudásbázis hierarchikus struktúrálása Ramesh et al. (1988) [94] közleményében jelent meg először. Taszk keretrendszeren alapuló tudás alapú diagnosztikai rendszer ötletét Ramesh et al. (1992) [93] ismertette. A szakértői rendszerekben alkalmazható különböző következtetési módszereket tárgyalja Ungar and Venkatasubramanian (1990) [109], további hibadiagnosztikai célú szakértői rendszereket ismertet Quantrille and Lie (1991) [92]. Bizonytalan információk vélekedés hálókkal (belief network) való reprezentálása szakértői rendszerekben RojasGuzman and Kramer (1993) [96] közleményében jelent meg először. Basila et al. (1990) [17] egy felügyeleti (supervisory) szakértői rendszert fejlesztett ki, amely objektum alapú tudásreprezenációt használ heurisztikus és modell alapú ismeretek leírására. Zhang and Roberts (1991) [124] egy olyan módszertant ismertet, amellyel a rendszer struktúra és komponens funkciók ismereteiből származó diagnosztikai szabályok formalizálása megvalósítható. Chen and Modarres (1992) [29] egy olyan szakértői rendszert fejlesztett ki, amely folyamat meghibásodások gyökér okainak meghatározását és abnormális szituációk elhárítására javító beavatkozás(ok) ajánlását valósította meg. Neurális hálók (neural network) szakértői rendszerekkel egy integrált keretrendszerben való felhasználását Becraft and Lee (1993) [18] ismertette először. Egy másik kiemelkedő közlemény, Zhao et al. (1997) [125] szintén neurális háló és szakértői rendszer alapú integrált keretrendszert használ hiba diagnosztikára Előjeles irányított gráfokat (signed directed graph) és fuzzy logikát alkalmazó hibrid diagnosztikai rendszert ismertetett Tarifa and Scenna (1997) [108]. Bizonyossági faktorok (certainty factor) szabályokkal való alkalmazását szemlélteti Wo et al. (2000) [119] közleménye. Egy valószínűségi modell alapú diagnosztikai szakértői rendszert ismertet Leung and Rimagnoli (2000) [75]. Ezekből is látható, hogy hatalmas mennyiségű közlemény foglalkozik szakértői rendszerek hibadiagnosztika célú felhasználására speciális rendszereken. Az összes alkalmazásnál a szakértői rendszer megközelítés korlátai nyilvánvalók [116]. Szakértői szabályokból épített tudásalapú rendszerek nagyon rendszer specifikusak, a megvalósíthatóságuk nagyon korlátozott és nehéz frissíteni [95]. Automatizált HAZOP analízisre egy irányított gráfmodell alapú keretrendszert és egy szakértői rendszert fejlesztett ki Vaidhyanathan and Venkatasubramanian (1995) [111]. Ezen szakértői rendszert bővítette ki egy következmény értékelő és szűrő rendszerrel Vaidhyanathan and Venkatasubramanian (1996) [112], amely kvantitatív ismeretet használ a téves következmények eltávolítására. Vaidhyanathan and Venkatasubramanian (1996) [113] foglalkozik szakértői rendszerrel megvalósított automatikus HAZOP analízis szakaszos üzemeltetésű folyamatrendszerekkel. Srinivasan and Venkatasubramanian (1998) [102, 103] Petri háló modelleket alkalmaz szakaszos üzemű rendszerek automatizált HAZOP analízisére, azonban a teljes diagnosztikai rendszert szakértői rendszer környezetben implementálta. Egy hibadiagnosztikai rendszert ismertet Ruiz et al. (2001) [98], amely tartalmaz

54

egy mesterséges neurális hálót és tudásalapú szakértői rendszerben valósul meg. A rendszer ötvözi a mesterséges neurális háló adaptív tanulási eljárását, a HAZOP analízist és egy rendszermodellt.

4.2.1. A diagnosztikára felhasználható szoftver eszközök Az irodalomban számos szakértői keretrendszer szoftver eszköz található, amelyet különböző kutató és fejlesztő cégek fejlesztettek ki. Ezek közül néhány (a teljesség igénye nélkül): CLISP [7], GoldWorks III [40], G2 [30], Level5 [23], JESS [10]. A CLISP (C Language Integrated Production System) egy C alapú, hatékony előrefelé haladó következtető mechanizmussal rendelkező szabály alapú szakértői keretrendszer, amely procedurális elemekkel is rendelkezik, s támogatja az objektumorientált fejlesztést is. A JESS a CLIPS adatvezérelt szabályalapú keretrendszeréhez hasonló ingyenes, JAVA alapú fejlesztői eszköz. Az egyik leggyorsabb következtető gép és szkript környezet egyben. A GoldWorks III a legelső PC-re fejlesztett szakértői rendszer. Windows-os környezetben menüvel ellátott interfésszel rendelkező objektum-orientált fejlesztésre ad lehetőséget LISP nyelven. Már támogatta a végfelhasználói interfészek tervezését. A G2 támogatja a hierarchikus többléptékű modellek fejlesztését, az adatvezérelt és célvezérelt szabály alapú következtetést és valós idejű lehetőségeket is biztosít. A G2 rendszernek van egy GDA (G2 Diagnostic Assistant) környezete, amelyet intelligens operátori alkalmazások fejlesztésére és futtatására fejlesztettek ki. Ennek egyik fő komponense egy grafikus nyelv, amely támogatja az összetett diagnosztikai eljárásokat.

4.3. A predikción alapuló diagnosztikai szakértői rendszer A nagyméretű, bonyolult folyamatrendszerekhez alkalmazható többléptékű predikción alapuló diagnosztikai rendszer [P6, P7, P13] megvalósításához a Gensym Corp. által fejlesztett G2 szakértői rendszer [30] fejlesztő eszközt választottam ki, m ert a G2 támogatja a hierarchikus objektum-orientált modell fejlesztést, az előre- és visszafelé haladó szabály alapú következtetést; lehetőség van adatszerzésre és biztosít valós idejű lehetőségeket is.

4.3.1. A keretrendszer szerkezete A G2 környezetben megvalósított diagnosztikai szakértői rendszer fő elemei és a szoftver struktúrája a 16. ábrán látható. A bemeneti mért adatokat vagy közvetlenül a valós rendszer, vagy ha ez nem áll rendelkezésre, akkor egy részletes dinamikus modell szimulációja szolgáltatja. A predikcióhoz és ha szükséges, a valós rendszer szimulációjához használt dinamikus modelleket Daesim Dynamic Simulator [82] szimulátorban valósítottam meg és ezt a szimulátort használom.

55


 

  

  
  

  

 

 

        45%3

     
 

     ! "
 


  + (23

 

 

   

 

 

   


 
  

  
  

  

 

 

      

#
 

#%&'(  )" * + 

,

-"
    -

'(./01'/ $ !

16. ábra. A szakértői rendszer alapú diagnosztikai rendszer struktúrája

4.3.2. A többléptékű predikciós diagnosztikai szakértői rendszer fő elemei A rendszer tudásbázisa (TB) Egy többléptékű diagnosztikai rendszer megvalósításához az alábbi specifikus tudáselemek szükségesek: • szimptómák, • gyökér okok és megelőző beavatkozások, • dinamikus részmodellek, amelyek alkalmasak predikcióra. A fenti tudáselemek közötti kapcsolatok szabályokkal írhatók le. A tudásbázis elemei hierarchiába szervezhetők a folyamatrendszer egy többléptékű modelljének szintjei mentén a köztük lévő kapcsolatok alapján. Ezt a 17. ábrán szemléltetett hierarchiába szerveződést felhasználva a későbbiekben fókuszálni tudunk a megfelelő hierarchiaszintre. Szimptómák, gyökér okok és megelőző beavatkozások, mint szabályok predikátumai A szimptómák, a gyökér okok és a megelőző beavatkozások a köztük lévő logikai kapcsolatokkal együtt a diagnosztizálandó rendszer HAZOP eredménytábláiból állíthatók elő. A tudásbázis ezen részét a szakértők által meghatározott heurisztikus működési tapasztalatok alkotják. A legegyszerűbb módja egy HAZOP tábla szabályok formájában való reprezentálásának, ha a HAZOP táblát rész-táblákra tördeljük és mindegyiket egy (kulcsszó, eltérés) rendezett párral azonosítjuk. Ezek a párok adják a szimptómákat. Egy HAZOP rész-tábla sor egy (ok, következmény, megelőző beavatkozás) 56

k sz

Részletezettség növekedése

Szimptómák

ük G y sé ök ge ér s b o ea kok va ko és zá so

Többléptékő modell

17. ábra. A tudásbázis struktúrája

rendezett hármasként írható le. Egy rész-táblát ezen rendezett hármasok egy listája határozza meg. Például a 7. táblázatban látható HAZOP tábla a (binder − flow, (binder − flow, (binder − flow, (binder − flow,

NONE) MORE) LESS) MALDISTRIBUTION)

szimptómákkal tördelhető rész-táblákra. A (binder-flow, LESS) szimptómához tartozó sorokat a ( (F eed atomizer blockage, Decrease in granulation, Inspect binder − flow − rate), (F eed reduced in error, Increase in granule porosity, Inspect binder − flow − rate), (Sticking control valve, Decrease in d50 , Inspect binder − flow − rate), stb. )

rendezett hármasok listájával azonosítjuk. Szabálybázis A szakértői rendszer alapú diagnosztika elsődlegesen a szabály alapú módszerekre [99, 22] épül. A szabályok egy előfeltételből (események) és egy következmény részből épülnek fel. A tudásbázis, amely tartalmazza a szimptómákat, a hibákat és a megelőző beavatkozásokat, a HAZOP analízis eredményéből származik és a következő „if - then” típusú szabályokat tartalmazza: • Diagnosztikai szabályok

57

A diagnosztikai szabályok a lehetséges „ok - következmény” típusú, a gyökér okok és a szimptómák közötti kapcsolatot írják le. Például: if („Sticking control valve”) then (binder − flow = LESS)

• Megelőző beavatkozás szabályok A megelőző beavatkozás szabályok „(ok - következmény) - beavatkozás” típusúak, a (szimptóma, gyökér ok) rendezett párok és megelőző beavatkozások közötti kapcsolatot írják le. Például: if ((binder − flow = LESS) AN D („Sticking control valve”)) then („Inspect binder − flow − rate”)

Nagy méretű összetett rendszerek esetén a szabálybázis a többléptékű folyamatmodell által hierarchikusan modularizálható. Ezáltal a következtetés gyorsítható, ha a megfelelő modellt fókuszálással hatékonyan meg tudjuk találni. A G2 következtető gép Ez a szakértői rendszer fő része, amely előre- és hátrafelé haladó következtetésekhez használható. Esetemben a G2-beli meta-szabályok írják le a szimptóma detektálást, a fókuszálást, az elsődleges hiba detektálást, a hiba izolálást és a veszteségcsökkentő megelőző beavatkozások kiválasztását. A valós és a teszt rendszer: a Daesim Simulator két példánya Ahol a valós rendszer nem áll rendelkezésre teszteléshez vagy a szakértői rendszer fejlesztésének még korai fázisában van szükség mért adatokra, ott gyakran egy beágyazott teszt rendszer környezetet alkalmaznak a valós idejű adatok generálásához. A diagnosztikai rendszerem teszteléséhez az adatokat egy ipari granulátor rendszer egy részletes dinamikus modelljének felhasználásával állítottam elő a Daesim Dynamic Simulation Package [82] programcsomag segítségével. A Daesim egy számítógépes csomag olyan tetszőleges rendszerek szimulációjára, amelyek differenciál és/vagy algebrai egyenletekkel leírhatóak. A Daesim szétválasztja a modellezési és a szimulációs feladatokat és egy alkalmas state-of-art DAE megoldót biztosít. Ezáltal a felhasználónak nem kell foglalkoznia a matematikai megoldással, csak a modellezési feladatra összpontosíthat. A hiba izoláláshoz szükséges predikciós adatot a diagnosztikai rendszer a megelőző beavatkozási hipotézisek szimulációjával állítja elő egy kevésbé részletes (egszerűsített) modellen („teszt rendszer”), amelyet a Daesim Dynamic Simulator egy másik példánya szolgáltat. A predikcióhoz használt egyszerűsített modell előállításával a 6 fejezetben külön foglalkozom.

58

4.3.3. Predikciós diagnosztikai szakértői rendszer működése A predikciós diagnosztikai szakértői rendszerben a modell alapú hiba detektálás, a diagnosztika és a veszteségmegelőzés lépései egy ciklusba szerveződnek, amelynek fő lépései a következők: (1) Mérések begyűjtése és szimptóma detektálás (Performing measurements and symptom detection ) A vizsgált rendszerből érkező mért jeleket és a köztük lévő kapcsolatokat felhasználva a lehetséges szimptómákat mintaillesztéssel meghatározza. (2) Fókuszálás és elsődleges hiba detektálás (Focusing and primary fault detection ) A detektált szimptómákhoz kapcsolódó releváns hierarchia szint és/vagy részmodell (a dinamikus modell, amely struktúrált szabályokkal kiegészített) megtalálásához a fókuszálást alkalmazza a modell és a szabályok hierarchiájának felhasználásával. Fókuszálás után a lehetséges okokat határozza meg modell alapú visszafelé haladó következtetéssel, amely során figyelembe veszi, ha egy egyszerű okhoz összetett szimptóma, vagy ha egy egyszerű szimptómához több ok tartozik, s ezeken kívül a lehetséges okokhoz tartozó lehetséges megelőző beavatkozásokat is meghatározza. Minden (ok, megelőző beavatkozás) rendezett párt, amelyet meghatározott a megfigyelt szimptómákkal kapcsolatban, egy lehetséges (ok, megelőző beavatkozás) párok által alkotott hipotézis listába gyűjt össze. (3) Hiba izolálás (Fault isolation ) Összehasonlítva a mért adatokat az előző diagnosztikai időlépésben kapott predikált változóértékekkel, a téves/hamis (ok, megelőző beavatkozás) rendezett párokat eltávolítja a lehetséges párok által alkotott hipotézis listából. (4) Veszteségmegelőzés (Loss prevention ) Minden alkalmazható (ok, megelőző beavatkozás) rendezett párra egy „what-if” típusú következtetéssel összetett predikciót hajt végre és egy megelőző beavatkozást javasol, amely a rendszert visszaviszi a normális működési tartományba. (5) vissza az 1. lépéshez. A fenti ciklikus folyamat minden egyes diagnosztikai időlépésben egyszer hajtódik végre. A 16. ábrán láthatók a diagnosztikai eljárás lépései és azok kapcsolata a diagnosztikai rendszer további elemeivel. Mérések begyűjtése és szimptóma detektálás Egy diagnosztikai szakértői rendszerben a mérések begyűjtése standard interfészek segítségével történik, amelyek meghatározzák a szimptómák kapcsolataiban megjelenő mért mennyiségeket és értékeiket. A szimptómák az egyszerű környezetfüggő értékhatár ellenőrzéstől a rendszer megfelelő dinamikus válaszát biztosító, meghatározott mechanizmusok jelenlétének vagy hiányának ellenőrzéséig, széles skálán mozognak. 59

Egy egyszerű szimptóma detektálás reláció példa a következő: (binder − flow − rate < 0.01) amely binder − flow = NONE szimptóma detektálására használható fel. Ez megfelel a 7. táblázatban szereplő HAZOP tábla részlet első sorának. Egy összetett szimptóma detektálás reláció például a (psd = SHIFT LEFT) reláció, amelyben ellenőrizni kell, hogy a psd vektor értékű változóban tárolt részecske méret eloszlás elmozdult-e egy alacsonyabb részecske méret régióba, azaz balra. Fókuszálás és elsődleges hiba detektálás Egy szimptóma detektálása után a lehetséges okok és az esetlegesen szükséges beavatkozások a tudásbázisban tárolt diagnosztikai- és megelőző beavatkozások szabályokon végrehajtott szabály láncolással határozhatók meg. Ekkor szükséges fókuszálni arra a részrendszerre, ahol a lehetséges okok bekövetkezhettek. A fókuszálást a meghatározott szimptómák irányítják, amelyek a hibához kapcsolódó megfelelő modell szinthez és részmodellhez kötődnek. Néha a szimptómák nem egyértelműen definiálják a lehetséges okokat, így a szükséges beavatkozások bizonytalanok, nem mindig egyértelműek. Ebben az esetben vagy összetett szimptómák keletkeztek vagy több lehetséges okot talált a diagnosztikai rendszer, s ekkor az azonosított (ok, megelőző beavatkozás) rendezett párokból egy hipotézis listát hoz létre. Hiba izolálás és veszteségmegelőzés Az azonosított lehetséges okok bizonytalansága miatt a diagnosztikai rendszer a hipotézis listán található minden egyes meghatározott megelőző beavatkozást felhasznál azért, hogy meghatározza a hatásaikat még mielőtt egy konkrét beavatkozást kiválaszt. A rendszer az azonosított lehetséges megelőző beavatkozásokat felajánlja, mint tanácsot az operátornak egy rendezett lista formájában. Ebben alkalmazzuk a szimptómákhoz rendelt súlyossági faktort (severity factor) és azok következményeit a beavatkozások valószínűségével úgy, mint további kézi ellenőrzés szükségessége vagy automatikus futtatás a lehetőségek rendezésére. További kutatás szükséges a megfelelő és biztonságos döntési eljárások megalkotásához, hogy a diagnosztikai rendszer automatikusan tudjon választani a lehetséges megelőző beavatkozások listájából.

4.3.4. A keretrendszer szoftver moduljai együttműködésének szervezése A keretrendszer 16. ábrán megjelenített szoftver moduljai egy heterogén, multitaszk szervezésű szoftver rendszert alkotnak, amelynek moduljait interfészek kötik 60

össze. A diagnosztikai szakértői keretrendszerben a szoftver modulok és a környezet együttműködését a következő interfészek valósítják meg: • Grafikus felhasználói felület (Graphical User Interface, GUI): A grafikus felhasználói felület az operátorral való kommunikáció céljaira használható. Az operátor láthatja az aktuális mért értékeket és információt kaphat a rendszer viselkedéséről. Néhány rendszerparamétert az operátor is beállíthat. • G2-Daesim átjáró: A G2 a G2-Daesim átjáró segítségével kommunikál a Daesim Dynamic Simulator-ral. A Daesim biztosítja a szimulációt és a folyamatváltozók értékeit az átjárón továbbítja a G2 felé a tudásbázisban történő további kiértékeléshez. • UNAC átjáró: A valós rendszerhez kapcsolódik egy programozható logikai kontroller (programmable logic controller, PLC), amely közvetlen mérések végzésére és beavatkozások megvalósítására alkalmas. A PLC egy elsődleges irányító rendszerhez (UNAC, nevét a University of Newcastle Automatic Control-ról kapta) csatlakozik. Az UNAC rendszer kommunikál a G2-ben implementált szakértői rendszerrel egy átjáró segítségével. A 16. ábra a diagnosztikai szakértői rendszer egy elvi ábráját mutatja, ahol fel van tüntetve az esetleges valós üzemmel való kapcsolódás lehetősége is. Ez még nem egy megvalósult alkalmazás, amely egy granulátor üzemet PLC segítségével irányít. Az általam javasolt diagnosztikai rendszer valós rendszerrel való üzemeléséhez további fejlesztések szükségesek.

4.3.5. Predikció A „Hiba izolálás” lépésben a lehetséges megelőző beavatkozások kipróbálása dinamikus szimulációval megvalósított predikció segítségével történik. A predikcióhoz szükséges a diagnosztizálandó folyamatrendszert reprezentáló modell, amely általában koncentrált paraméterű (nemlineáris) folytonos idejű állapottér modell formájában adott. A rendszer dinamikus viselkedésének analíziséhez a teljes vagy az egyszerűsített rendszermodellt használom fel. A hiba izoláláshoz szükséges predikciós adatokat a megelőző beavatkozási hipotézisek dinamikus szimulációjával állítja elő. A diagnosztikai szakértői rendszerben a predikcióra felhasznált dinamikus modellt a 16. ábrán a „teszt rendszer” jelöli. A predikcióhoz szükséges adatokat a Daesim Dynamic Simulator-ban implementált és futtatott dinamikus modell szolgáltatja. A G2-ben implementált diagnosztikai rendszert G2-Daesim átjáró köti össze a Daesim szimulátorral.

61

4.4. Esettanulmány: szakértői rendszer alapú granulátor diagnosztikai rendszer Az ismertetett módszert és a szakértői rendszer alapú diagnosztikai rendszer prototípusát [P6, P7, P13] egy műtrágyagyártó granulátor körön mutatom be.

4.4.1. HAZOP tábla reprezentálása A HAZOP táblákban található ismereteket szabályok formájában tárolom a tudásbázisban. Például a 7. táblázatban szereplő HAZOP tábla részlet első sorának a következő szabály felel meg: if (binder − flow = NONE) then ( (Binder nozzle blockage, U ngranulated powder, Inspect binder − flow − rate) (F eed valve closed, Increase in dustiness, Inspect binder − flow − rate) (Binder supply tank empty, Decrease in d50 , Inspect binder − flow − rate) etc. );

4.4.2. Diagnosztikai eredmények A tudásbázis és a diagnosztikai szakértői rendszer hatékonyságának tesztelésére a modell bemenő paramétereire (például kötőanyag betáplálási áram, szemcse betáplálási ráta) zavarásokat szuperponáltam. Így kiértékelhetővé váltak a zavarások hatásai az irányítás szempontjából fontos változókon: a visszacsatolási arányon és a részecske méret eloszláson. Részletes tanulmányozásra két hiba szcenáriót választottam ki: • a kötőanyag betáplálási áramának csökkentése, amely szimptómát okoz a granulátor dobon; • a törő működésébe való beavatkozás, amely devianciát okoz a törő kimenő részecske áramán. Mindkét esetben a következő egységes szempontok alapján ismertetem és értékelem a diagnosztikai rendszer működését: (i) a hiba leírása (amely tartalmazza a zavarás(oka)t a modell bemeneti változóin), (ii) a megfigyelt devianciák és szimptómák, (iii) a diagnosztikai eljárások által kapott eredmények, (iv) az operátori interfész.

62

1. Hiba a granulátor dobban: változás a kötőanyag betáplálási áramában Az első példa azt szemlélteti, hogy a diagnosztikai rendszer hogyan működik egy lokális hatású, de összetett hiba esetén, amely valójában csak egy működési egységre van hatással. A 18. ábra mutatja a diagnosztikai rendszer működését ebben az esetben. Hiba leírása A betáplált kötőanyag mennyiségét manuálisan csökkentettem, ezzel devianciát okozva a binder-flow-rate változó értékében. Ez a hiba megfelel a 7. táblázatban látható HAZOP tábla részlet harmadik sorában található „Feed reduced in error” lehetséges oknak. Fontos megemlíteni, hogy ez csak egy a deviancia három lehetséges oka közül, ahogy ezt a HAZOP tábla is mutatja. Megfigyelt devianciák és szimptómák A szimulátorral generált adatok azt mutatták, hogy a betáplált kötőanyag áramában csökkenő trend jelentkezett. Ezenkívül szoros kapcsolat volt megfigyelhető a szemcsék nedvességtartalmával és az agglomerációs folyamatokkal, amelyek szintén bizonyítékai lehetnek az átlagos részecske méret csökkenésének. A diagnosztikai eljárások által kapott eredmények Ebben az esetben a szimptóma detektálás a binder-flow-rate változón észlelt trendet. A rendszer a fókuszálás során megtalálta a granulátor dobot, amelyhez a binderflow-rate változó kapcsolódik és három (ok, megelőző beavatkozás) párt azonosított. Operátori interfész A megfigyelt eltérés a kötőanyag betáplálási áramában a lehetséges okokkal és a tanácsolt megelőző beavatkozással együtt látható az operátori interfészen, amelyet a 18. ábra mutat. Az operátor a lehetséges okokat a megfelelő munkalap kiválasztásával tudja megjeleníteni. Minden egyes munkalap egy lehetséges oknak felel meg, amelyhez kiválasztható a javasolt megelőző beavatkozások közül egy a megfelelő gombra kattintva. A 18. ábra a „Cause 2” munkalapot mutatja, amelyből látható, hogy a hozzá tartozó lehetséges ok éppen megfelel a manuálisan előállított hibának. 2. Hiba a törő egységben: változás a kiáramlási tömegáramban A második példán bemutatom, hogy a diagnosztikai rendszer hogyan fókuszál a hiba helyére, s ezen kívül megtalálja azokat az okokat is, amelyek egy magasabb rendszer szinten következhettek be, ez esetben a granulátor kör legfelső szintjén. A diagnosztikai rendszer működése ezen esetben a 19. ábrán követhető nyomon. Hiba leírása A törő egységből kiáramló granulátum áramát manuálisan blokkoltam, hogy szimuláljam a „Switched off in error” okot. Az ehhez a gyökér okhoz kapcsolódó deviancia másik három gyökér okot is jellemezhet: - „Mechanical failure”

63

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

- „Crusher blockage” - „Fail safe trip off” Megfigyelt devianciák és szimptómák A szimulált gyökér okhoz kapcsolódó megfigyelt szimptómák duplán jelentkeztek: a törőből kiáramló anyagmennyiség tömegárama csökkent, amelyet a crusher-outflow-rate változó ír le (ez látható a 19. ábra bal oldalán), és a részecske méret eloszlás függvény kiszélesedett, amelynek hatása a crusher-psd-width változó értékének változásában jelenik meg (a 19. ábra jobb oldalán látható a részecske eloszlás függvény három méretosztályban). A diagnosztikai eljárások által kapott eredmények Ebben az esetben a szimptóma detektálás a crusher-outflow-rate és a crusher-psd-width változókon észlelt trendet. A rendszer által alkalmazott fókuszálás megtalálta a törőt, amelyhez a crusheroutflow-rate és a crusher-psd-width változók tartoznak és négy (ok, megelőző beavatkozás) párt azonosított be. Operátori interfész A megfigyelt eltérések a lehetséges okokkal és a tanácsolt megelőző beavatkozásokkal együtt láthatóak az operátori interfészen, amelyet a 19. ábra mutat be. Szemléltetésképpen a Cause 2 munkalapon látható eredményt mu-

64

19. ábra. Diagnosztikai eredmény - törő egység meghibásodása

tatom be, amely megfelel a legsúlyosabb „Crusher blockage” esetnek, amelyre a diagnosztikai rendszer egy lehetséges tevékenységet ajánl: ellenőrizni kell a helyi vagy a globális működési feltételeket.

4.5. Összefoglalás Ebben a fejezetben a szakértői rendszer alapú diagnosztikával kapcsolatos fogalmakat, módszereket és saját kutatási eredményeket mutattam be a [P6], [P7] és [P13] közlemények alapján. A szakértői rendszer alapú diagnosztikai rendszer struktúráját és tudásábrázolását tárgyalják a 4.3.1, 4.3.2 alfejezetek. A diagnosztikai szakértői rendszert a következőképpen építettem fel. (a) A tudásbázis a többléptékű diagnosztikai szakértői rendszer megvalósításához szükséges és a szakértők által meghatározott tudást tartalmazza. A HAZOP táblából származó heurisztikus tudáselemeket (szimptómák, gyökér okok és megelőző beavatkozások) és a köztük lévő logikai kapcsolatokat szabályok formájában reprezentáltam. A HAZOP tábla egy-egy sorát egy (ok, következmény, megelőző beavatkozás) rendezett hármassal azonosítottam. (b) A diagnosztika szabály alapú következtetési módszerre épül. A HAZOP táblá-

65

ból származó információkból létrehozott szabályok alkotják a tudásbázis szabálybázisát, amelyet két részre tagoltam: diagnosztikai szabályok és megelőző beavatkozást meghatározó szabályok. A predikciós diagnosztikai szakértői rendszer működési lépései között fontos szerepet játszik a 4.3.3 alfejezetben tárgyalt fókuszálás. A szimptóma detektálás után a szimptómához kapcsolódó releváns részmodell vagy hierarchia szint megtalálásához alkalmaztam a fókuszálást, felhasználva a modell és a szabályok hierarchiáját. A predikció szerepet játszik a hiba izolálása során is úgy, hogy a rendszer összehasonlítja az előző diagnosztikai lépésben kapott predikált változó értékeket a megfelelő mért értékekkel, ily módon távolítva el a téves/hamis okokat. Az ismertetett módszert és a prototípus rendszert egy műtrágyagyártó granulátor körön mutattam be a 4.4 alfejezetben. A diagnosztikai rendszer megvalósításához a G2 szakértői keretrendszert választottam, amely támogatja a hierarchikus modellépítést és az online diagnosztikát.

66

5. fejezet Predikción alapuló diagnosztika multi-ágens rendszerrel Összetett többléptékű folyamatrendszerek modellezése nehéz feladat, ezért diagnosztikai rendszer fejlesztéséhez általában modell-alapú analitikus és heurisztikus technikák kombinációját kell felhasználni [19]. A multi-ágens rendszerekkel történő megközelítés, amely a mesterséges intelligencia területéről származik, ígéretes megoldása lehet egy olyan diagnosztikai feladatnak, amely heterogén tudásforrásokból származó információkon alapszik [120]. Egy multi-ágens rendszer ugyanis alkalmas arra, hogy egyaránt leírja a rendszermodellt, a megfigyeléseket, valamint a diagnosztikai és veszteségmegelőző eljárásokat, amelyek formális elemeit a korábbi fejezetekben bemutattam. Ebben a fejezetben a multi-ágens rendszerek felépítését és algoritmusait használom fel folyamatrendszerek hibadiagnosztizálásának megvalósítására olyan esetekben, amikor mind a dinamikus modellek, mind a heurisztikus működtetési tapasztalatok rendelkezésre állnak a rendszerről. A multi-ágens diagnosztikai rendszert JADE [9] ágens fejlesztő környezettel valósítottam meg, ennek általános alkalmazhatóságát a felhasznált ismeretek leírására definiált ontológiák felhasználása segíti. A diagnosztikához a HAZOP mellett az FMEA analízis eredményeit is felhasználom a pontosabb diagnosztika érdekében. A diagnosztikai rendszert egy granulátor kör példáján mutatom be.

5.1. Multi-ágens rendszerek Az „ágens” szó a számítástudomány és a szoftverfejlesztés egyik kulcsszava, amely mögött a mesterséges intelligencia (MI) [99], általánosabban pedig az informatika egy, az utóbbi évtizedben virágzásnak indult, dinamikus területe áll. Ebben az alfejezetben Russell és Norvig (2003) [99] alapján áttekintést adok az ágensekkel és multi-ágens rendszerekkel kapcsolatos alapvető fogalmakról és módszerekről.

5.1.1. Ágensek A nagy múlttal rendelkező tudományokban az ágens szó használata a latin jelentésből következik (a latin ago, agere szó elsődleges jelentése mozgásba hozni, elintézni); 67

a biológiában és a kémiában a bonyolultabb, önálló komponenseket jelölik e névvel. Nyelvészetben az ágens egy szemantikai kategória, a cselekvő szereplő a mondatban. Az ágens szó jelentésének azonban nincs széles körben elfogadott formális definíciója. Általánosságban bármi lehet ágens, ami: (a) bizonyos fokú önállósággal bír (independence, autonomy); (b) valamilyen környezet veszi körül; (c) reaktív (reactive), azaz érzékeli környezetét és reagál az abban bekövetkezett változásokra. Az ágens tehát helyzet- és szerepfüggő (situated). Ágensek szűkebb értelmezése Az ágensek informatikai jellegű használata az 1950-es évekből John McCarthy-tól [79] származik. Szerinte „az ágens olyan rendszer, melynek egy célt adva a további számítógépes tevékenységet elvégzi, és amely képes az emberi nyelv kifejezéseit használva tanácsot kérni és megérteni, mikor tevékenysége zsákutcába jut.” (Kay 1984) Gyenge definíció Az alábbi gyenge definíciót (weak notion of agency) tartják minimálisan elégségesnek ahhoz, hogy egy adott „dolog” használható ágens legyen. Az ágens egy olyan rendszer, amely az alábbi tulajdonságokkal rendelkezik: – Beágyazottság (embeddedness): Az ágensek környezetbe ágyazottak, abból kiemelve nem tudnak funkcionálni, állapotaik nem értelmezhetők a környezetükön kívül. – Reaktivitás (reactivity): Az ágensek érzékelik a környezetüket, valós időben reagálnak az abban bekövetkezett változásokra. – Autonómia (autonomy): Az ágensek önállóan, külső beavatkozás nélkül működnek és meghatározott mértékű kontrolljuk van a saját akcióik és belső állapotuk felett. – Helyzetfüggőség (situatedness): Az ágensek helyzethez és szerephez kötöttek. – Kezdeményezőképesség (pro-activity): Az ágensek nem csak válaszolnak a környezeti változásokra, hanem szükség esetén kezdeményeznek is. – Célvezérelt viselkedés (goal-directed behaviour): Az ágenseknek céljaik vannak, amelyeket igyekszenek végrehajtani. – Temporális kontinuitás (temporal continuity): Az ágens identitása, állapota huzamosabb ideig létezik, illetve működik.

68

Kölcsönható ágensek Több ágensből álló (multi-ágens) rendszer esetén az ágensek egymással kapcsolatba lépnek. Ennek alapja a kölcsönhatás, mely a „szociális viselkedés” különböző fokait teszi lehetővé. – Kölcsönhatás (interaction): Az ágensek kölcsönhatásban állnak egymással a feladatok megoldása érdekében. A kölcsönhatás során az abban résztvevők állapota megváltozik. Az ágensek antropomorfizálása A mesterséges intelligenciában az erős definícióban (strong notion of agency) szereplő kritériumokat várják el az ágensektől. Az erős definíciónak megfelelő ágensek rendelkeznek a gyenge definíció tulajdonságaival is. Ezen kívül racionálisak, valamint használják azokat az alább értelmezett fogalmakat, amelyeket emberre is alkalmazhatunk. – Racionalitás (rationality): A racionalitás feltételezi, hogy az ágens nem fog céljai ellen cselekedni. Ezen kívül minden helyzetben a legjobb alternatívát fogja választani. A „mindig legjobb” választását tökéletes racionalitásnak nevezzük. Ez azonban az ágensek világában nem létezik. Ezért az elvárás az, hogy a korlátozott racionalitásnak (bounded rationality, bounded optimality) eleget tegyenek, azaz az ágens a rendelkezésére álló erőforrások felhasználásával a legjobb alternatívát válassza ki. Adaptivitás, tanulás Ez már nem az elvárható, inkább csak az áhított tulajdonságok közé tartozik. Az ágenseket igyekeznek ezzel a tulajdonsággal minél inkább hasonlóvá tenni az emberhez. Az intelligencia szükséges elemei a nyelv és a kommunikáció mellett a tanulás, adaptivitás, amely képessé teszi az ágenst, hogy ne csak az előre definiált szabályhalmaznak megfelelően cselekedjen, hanem képes legyen azokat módosítani, új ismereteket gyűjteni. – Tanulás (learning): Az ágens képes új ismereteket gyűjteni a környezetéből, azokat tárolni és későbbiekben felhasználni. A tanulás során az ágens képes a viselkedését megváltoztatni. A tanulási módokra számos mechanizmus létezik. – Alkalmazkodás, adaptivitás (adaptivity): Alkalmazkodni csak valamihez lehet. Az ágensek esetén csak a környezethez való alkalmazkodás értelmezett, hiszen az foglalja őket magába. Az adaptivitási képességgel felruházott ágens képes tanulni cselekedetei hatásából annak érdekében, hogy tevékenysége optimális legyen. Személyiség Néhány alkalmazási területen szükség lehet a mesterséges személyiség (synthetic character) létrehozására, amely legalább az alábbi két tulajdonsággal rendelkezik: – Személyiség (personality, identity): A személyiséggel bíró ágens speciális jegyekkel, identitással rendelkezik, amely megkülönbözteti őt a többi ágenstől. Ez az eltérés az ágens reakcióiban, belső állapotaiban nyilvánul meg.

69

– Érzelmek (emotions): Az érzelmek léte és hatása a viselkedésre az állatok egy csoportjára és az emberekre jellemző tulajdonság, amely a belső állapotok egy speciális csoportját jelöli. Egyéb tulajdonságok A felsorolt tulajdonságok mellett még néhány tulajdonsággal szokták az ágenseket felruházni. – Együttműködés (cooperation): Egy ágens képes együttműködni más ágensekkel egy közös cél érdekében. Az együttműködés két folyamatból áll: kommunikáció (communication) és együtt dolgozás (collaboration). – Helyváltoztató képesség (mobility): Az ágens fizikai helyváltoztató képességét jelenti. – Igazságmondó képesség (veritability): Az ágens tudatosan nem ad ki hamis információt. – Jószándék (benevolence): Az ágenseknek nincsenek más ágensekével ellentétes céljai, tevékenységük csak saját céljuk elérésére irányul. – Megbízhatóság, konzisztencia (reliability, consistency): Az ágens egy helyesen végrehajtott cselekvést más, hasonló körülmények között is helyesen hajt végre.

5.1.2. Multi-ágens rendszerek A kölcsönható ágensek alkothatnak egy több ágensből álló rendszert. A több kölcsönható ágensből álló rendszereket multi-ágens rendszernek (multi-agent system, MAS) [35] nevezzük. Formálisan MAS = (A, K, H) , ahol A = a1 , a2 , . . . , an az ágensek véges halmaza (ai az i-edik ágens), K a kölcsönhatás módját írja le, H az ágensrendszer struktúráját adja meg. Koordináció A több önálló elemből összetett rendszerek esetén fontos a komponensek tevékenységeinek összehangolása koordinációs mechanizmusokkal. A koordináció a tevékenységek összehangolása a rendszer feladatainak megoldása, illetve a rendszerrel szemben támasztott korlátozások betartása érdekében. A koordináció célja az anarchia és a káosz elkerülése. A koordináció a rendszer egészére vonatkozó szabályok biztosítására vonatkozik. Kooperáció Egy MAS vizsgálható az egyes ágensek szempontjából is, azaz hogy egy adott ágens céljainak elérése milyen hatással van a többi ágensre. A hatékonyság növelése érdekében egyes ágensek segíthetik egymást céljaik elérésében. A kooperáció, együttműködés (cooperation) a MAS rendszer ágenseinek olyan tevékenysége, amely egy másik ágenst a célja elérésében segít. 70

Koordinációs mechanizmusok Néhány koordinációs mechanizmus: (a) Strukturális koordináció: Ez a mechanizmus előre rögzített szervezeti struktúrákon alapul, amelyek rögzítik a résztvevő ágensek interakcióit és feladatait. Ezek a struktúrák általában hierarchikusak. Ennek a mechanizmusnak a legnagyobb problémája a centralizáltság. (b) Szerződéskötés: Ezen mechanizmus esetén a szervezeti struktúra dinamikusan változik. Az ágensek két szerepet tölthetnek be: a menedzserét illetve a szállítóét. A menedzser a megoldandó problémát részfeladatokra bontja, amelyeket a szállítók végeznek el. A szállítók tovább oszthatják a kapott részfeladatot. A feladatok kiosztása licitáláson alapszik. A mechanizmus problémája, hogy függ a feladat hierarchikus dekomponálhatóságától illetve a részfeladatok függetlenségétől. Ezt tovább nehezítheti a konfliktusos helyzetek felismerése és feloldása. (c) Multi-ágens tervezés: A konfliktusok elkerülése érdekében az ágensek közös, multi-ágens tervet készítenek, amely tartalmazza az összes ágens valamennyi jövőbeni cselekedetét, interakcióit. A tervek végrehajtása során az ágensek módosíthatnak a terven. Hátránya, hogy sok az információáramlás és -feldolgozás. (d) Egyezkedés: A konfliktusok feloldása érdekében többször szükség lehet a megegyezésre. Kommunikáció A multi-ágens rendszerek egyik kulcskérdése az ágensek interakcióinak mikéntje. Ennek a koordináció és a kooperáció során alapvető jelentősége van. A kommunikációval kapcsolatban az alábbi kérdések merülnek föl: (i) Kommunikációs hálózat pontjai (Ki kivel kommunikál) (ii) Üzenetkódolási mechanizmusok (iii) Üzenetváltási protokollok A kérdésekre a megoldást az ágens kommunikációs nyelv (agent communication language, ACL) [28] adja. Egy elterjed ágens kommunikációs nyelv a KQML (Knowledge Query and Manipulation Language) [36].

5.1.3. Ontológia Megfigyelhető, hogy az eltérő hátterek, nyelvek, eszközök és technikák a fő korlátai a hatékony kommunikációnak az emberek, szervezetek és/vagy szoftver-rendszerek között. Egy rövid betekintést adok arról, hogyan tudja javítani a kommunikációt egy adott területen kifejlesztett és implementált „kollektív tudás” (shared understanding) (azaz egy ontológia), amely a felhalmozott ismeretek hatékonyabb, nagyobb újrafelhasználását és elosztását teszi lehetővé.

71

Motiváció Az ontológia [110] szükségességét az is mutatja, hogy számos fontos problémát képes leírni, amelyek gátolják vagy nehezítik a kommunikációt az emberek, szervezetek, szoftverek rendszerén belül és azok között. Az emberek, szervezetek, szoftver rendszerek szükségszerűen kommunikálnak egymás között. Ennek során széles skálán változó nézőpontok és feltételezések vonatkozhatnak a kommunikáló felek között egyazon témakörre. Mindegyik eltérő zsargont használ, melyek lehetnek különböző, átlapolódó és/vagy nem egyező fogalmak, struktúrák vagy eljárások. A „kollektív tudás” (shared understanding) hiányának egyik legfontosabb következménye a szegényes kommunikáció az emberek és szervezeteik között. Egy IT rendszerben a „shared understanding” hiánya nehézséget okoz a követelmények azonosításában, és ezáltal a rendszerspecifikáció meghatározásában. Különböző modellezési módszerek, paradigmák, nyelvek és szoftver eszközök súlyos korlátai miatt általánosságban igen korlátozott • az „inter-operability”, és • a lehetőség az újra felhasználásra és a megosztásra. A megoldás a felvetett problémákra, hogy csökkentsük vagy megszüntessük a fogalmi és terminológiai rendezetlenséget és egy „shared understanding”-et hozzunk létre. Mi egy ontológia? A mesterséges intelligencia irodalmában több definíció is található. Az ontológia kifejezéseket és összefüggéseket határoz meg egy adott tudásterület leírásához. Azaz egy ontológia formális explicit leírása valamely témakörben a fogalmaknak (osztályok (class), más néven fogalmak (concept)), a fogalmak tulajdonságainak, melyek leírják a különbözőségeket és a fogalmak attribútumainak (rések (slot), más néven tulajdonságok). Egy ontológiát az osztályok példányainak halmazával tudásbázisnak (knowledge base) nevezünk. Egy ontológia legtöbbször csak kezdete valaminek. Lehet adatbázisok, tudásbázisok struktúra deklarációja, de szolgáltathat egy értelmezési tartományt ágensekhez, problémamegoldó módszerekhez vagy szakterületfüggetlen alkalmazásokhoz.

5.1.4. Ontológiák és ágensek kapcsolata Multi-ágens rendszerek fejlesztésénél az egyik fontos kérdés az ágensek közötti kommunikáció formális specifikációja valamilyen ágens kommunikációs nyelv (agent communication language, ACL) felhasználásával. Minden ACL alapkövetelménye, hogy támogasson egy közös szintaxist az ágensek kommunikációjára és egy közös szemantikát. Mivel egy adott ontológia egy tématerület egy formális deklaratív reprezentációja, ez definiálja a használt fogalmakat az adott területen. A tudás magába foglalja az objektumok típusait, attribútumait és tulajdonságait, amelyek leírnak egy objektumot, ezen kívül tartalmazza az objektumok közötti kapcsolatokat, funkciókat

72

vagy megszorításokat. Következésképpen egy közös ontológia definiálja a szótárat, amelyet az ágensek a problémamegoldás során használnak.

5.1.5. Multi-ágens rendszerek diagnosztikai alkalmazása Az ágensek értelmezhetőségének sokszínűsége miatt a multi-ágens rendszerek alkalmazhatósága is igen sokrétű. Az ágensek és a multi-ágens rendszerek lehetséges felhasználási területei közül igen nagy szerepet kapnak a különféle szimulációs alkalmazások. A multi-ágens rendszerek diagnosztikai alkalmazásának területéről néhány közleményt kiemelnék a teljesség igénye nélkül. Az elmúlt években foglalkoztak diagnosztikai ágensek különböző architektúrájának megválasztásával. Például Schroeder et al. [100] egy nem monoton következtetési rendszerre épülő diagnosztikai ágensek architektúrájátt mutatja be, míg Heck et al. [49] a KQML kommunikációs nyelvet és a CORBA-t együttesen használja a kommunikáció megvalósítására. Piccardi and Wotawa (1999) [89] egy olyan általános architektúrát alkalmaz diagnosztikai ágensekhez, amely a WWW technológián alapszik. Druzovec and Welzer [33] egy olyan diagnosztikai architektúrát ismertet, amelyben a diagnosztikai következtetés modell alapú diagnosztika segítségével valósul meg. Egy intelligens diagnosztikai ágenst használ, amely egy tapasztalt felhasználó szerepét tölti be és döntést hoz a további mérésekkel kapcsolatban a korábbi diagnosztikai eredmények és a rendszerről rendelkezésre álló ismeretek alapján. Bonyolult ipari alkalmazások egy elosztott monitorozó és diagnosztikai rendszere megépítésének módszerét ismerteti Wörn et al. [120], amely egy elosztott multiágens megközelítést használ. Egy monitorozott rendszerben különböző ágensek által megfigyelt hibák különbözőek lehetnek és ezek között egy megállapodást kell elérni a rendelkezésre álló információk alapján. Ezzel a problémával foglalkozik Roos et al. (2004) [97] közleménye. Yang et al. (2004) [123] egy kísérleti multi-ágens diagnosztikai rendszert ismertet, amely áramelosztó hálózatok számítógéppel segített hiba diagnosztikájára alkalmas.

5.2. Predikción alapuló diagnosztika multi-ágens rendszerrel: a keretrendszer struktúrája Folyamatrendszerek diagnosztikája is kezelhető multi-ágens technikával. A fejezetben bemutatott saját fejlesztésű keretrendszer is egy multi-ágens diagnosztikai rendszer, amely tartalmaz egy ontológia tervező eszközt és egy multi-ágens szoftver rendszert. A terület-specifikus tudást ontológiák formájában reprezentálom, melynek tervezéséhez a Protégé [6] ontológia szerkesztő eszközt használom fel. Ezt az ismeretet integrálom egy multi-ágens szoftverbe, amelyben különböző típusú ágensek működnek együtt a hibák diagnosztizálása érdekében.

73

5.2.1. A diagnosztikai rendszer tudásreprezentációja Annak érdekében, hogy megkönnyítsem a rendszer általános és moduláris alkalmazhatóságát két ontológia halmazt definiálok [P8, P10, P11]: • folyamatspecifikus ontológia, • diagnosztikai ontológia. Folyamatspecifikus ontológia A folyamatspecifikus ontológia leírja a folyamatok fogalmait, azok szemantikus kapcsolatait és megszorításaikat, amely hasonlít az OntoCAPE [121] projekt során kifejlesztett, a folyamatrendszerek általános leírására javasolt ontológiára. A folyamatspecifikus ontológiának két része van: a folyamatrendszerek általános viselkedésére vonatkozó közös ismeretek és az alkalmazás-specifikus tudás. Ez a leírás határozza meg egy általános folyamatmodell szerkezetét a szóban forgó rendszerhez és lehetőséget teremt egy konkrét folyamatmodell realizáció megvalósításához, amely felhasználható valós idejű szimulációhoz és/vagy predikció alapú diagnosztikához. Diagnosztikai ontológia Egy meghibásodás esetén a rendszer viselkedéséről rendelkezésre álló emberi szakértelem és működtetési ismeretek jelennek meg itt az okokkal, következményekkel és lehetséges korrekciókkal együtt. A diagnosztikai ontológia tartalmazza a diagnosztikai fogalmak (pl. szimptómák, gyökér okok), a különböző diagnosztikai eszközök (úgymint FMEA és HAZOP táblák) és eljárások (mint például következtetés FMEA és/vagy HAZOP tudáson) szemantikus ismereteit. Valós idejű adatbázis Mindkét ontológia tartalmaz időben változó elemeket is, mint például a folyamatváltozók, a beavatkozó változók és a hozzájuk kapcsolódó változók. Ezen változók értékeit vagy egy valós rendszer vagy egy szimulátor szolgáltatja, melyek tárolása valós idejű adatbázisban történik.

5.2.2. A multi-ágens diagnosztikai rendszer fő elemei Hasonlóan a fentebb leírt ontológiák osztályozásához, a diagnosztikai rendszerhez tartozó ágensek is három fő csoportba sorolhatók [P8, P10, P11]: • folyamathoz kapcsolódó, • diagnosztikához kapcsolódó, • valós idejű kiszolgálásokhoz kapcsolódó ágensek.

74

Folyamat ágensek A folyamat ágensek segítik a felhasználót és a többi ágenst a folyamat modellezésében és szimulációjában. Ezek működnek különböző, hibás és nem hibás üzemállapotokat leíró körülmények között is. A következőekben kiemelek a megvalósított diagnosztikai keretrendszerből néhány folyamat ágens típust a működésükre vonatkozó rövid leírással: • Folyamat kimenet előrejelzők (Process output predictors, PPs) szolgáltatják a dinamikus szimulációval előállított predikciót, megelőző beavatkozásokkal vagy anélkül. • Predikció-pontosság koordinátor (Prediction accuracy coordinator, PAC) ellenőrzi az előrejelzés eredményének pontosságát és ha szükséges, akkor további ágenseket hív meg az eredmény finomítása érdekében. • Modell paraméter becslők (Model parameter estimators) társulnak minden egyes Folyamat kimenet előrejelzőhöz (PP). A Predikció-pontosság koordinátor felkérheti ezt az ágenst modell paraméterek finomítására, ha az ágens előrejelzésének pontossága nem kielégítő. Diagnosztikai ágensek A diagnosztikai ágensek a mérések kezdeményezését, a szimptóma felismerést, a hiba detektálást [115], a hiba izolálást és a nem szándékolt következmények elkerülése végett tanácsok előállítását végzik. Ezek az ágensek logikai következtetéseket és/vagy numerikus számításokat végeznek. Az alábbiakban kiemelek néhány diagnosztikai ágens típust a diagnosztikai keretrendszerből a működésükre vonatkozó rövid feladat leírással: • Szimptóma generátor és státusz kiértékelő (Symptom generator and status evaluator) működése a nem megengedett eltéréseken alapszik, feladata egy szimptóma jelenlétének ellenőrzése. • Állapot és diagnosztikai paraméter becslők (State and diagnostic parameter estimators, SPEs) segítik a szimptóma generátorokat, amelyek néhány kapcsolódó jelet és egy részrendszer egy dinamikus állapottér modelljét használják fel egy összetett szimptóma létrehozásához. • Hiba detektorok (Fault detectors, FDs) az Állapot és diagnosztikai paraméter becslők (SPEs) vagy a Modell paraméter becslők (PPs) szolgáltatásait használják fel fejlett jelfeldolgozó módszereket alkalmazva hibák detektálásához. • Hiba izolátorok (Fault isolators, FIs) egy szimptóma bekövetkezésekor működnek annak érdekében, hogy a hibát izolálják különböző technikák (hibafa, HAZOP, FMEA, hibaérzékenység megfigyelők, stb.) segítségével. • Veszteségmegelőzők (Loss preventors, LPs) megelőző beavatkozás(oka)t illetve javító beavatkozás(oka)t ajánlanak különböző (Hazard Identification Analysis, HAZID) módszerek segítségével (HAZOP, predikció, stb.). 75

• Teljesség koordinátor (Completeness coordinator) ellenőrzi az eredmény (detektálás, izoláció vagy veszteség megelőzés) teljességét és ha szükséges, további ágenseket aktivál. • Ellentmondás vagy konfliktus feloldó (Contradiction or conflict resolver, CRES) további ágenseket hív meg abban az esetben, ha valamilyen ellentmondást kell feloldania. Valós idejű ágensek A két fő kategória mellett a diagnosztikai rendszer tartalmazza a következő valós idejű ágenseket a folyamat irányítására és monitorozására: • Monitorozó ágensek (Monitoring agents) a való világból vagy szimulációból kérnek és/vagy szolgáltatnak adatokat. • Előfeldolgozó ágensek (Pre-processor agents) felismernek nem megengedhető viselkedéseket, amelyek lehetnek szimptómák. • Beavatkozó ágensek (Control agents) beavatkoznak a rendszerbe, ha van megelőző beavatkozás. • Megerősítő ágensek (Corroborating agents) a diagnosztikai ágensektől fogadnak el kéréseket és további mért értékeket vagy információkat szolgáltatnak.

5.2.3. Predikció A veszteségmegelőző diagnosztikai ágensek lehetséges megelőző beavatkozásokat javasolnak különböző módszerek (pl. HAZOP, predikció) segítségével. A pontosabb megelőző beavatkozás(ok) kiválasztása érdekében az ún. Folyamat kimenet előrejelző (Process output predictor ) ágens meghatározza a korábbi lépésekben megtalált javasolható megelőző beavatkozás(ok) hatásait. Ezen ágens dinamikus szimulációval megvalósított predikció segítségével hozza meg döntését. A predikcióhoz is szükséges a diagnosztizálandó folyamatrendszert reprezentáló modell, amely általában koncentrált paraméterű (nemlineáris) folytonos idejű állapottér modell formájában adott. A rendszer dinamikus viselkedésének analíziséhez a teljes/vagy egyszerűsített rendszermodellt használom fel. A folyamat kimenet predikátor ágensnek szükséges predikciós adatokat a MATLAB/Simulink szoftverben implementált és futtatott dinamikus (egyszerűsített) modellek szolgáltatják.

5.2.4. A felhasznált multi-ágens szoftverek Az irodalomban számos ágens építő és szimuláló szoftver eszköz található, amelyet különböző kutató és szoftver fejlesztő cégek fejlesztettek ki. Csak néhány ismertebbet említek meg (a lista nem teljes): ABLE [5], AgentBuilder [1], FIPA-OS [4], JADE [9], ZEUS [84].

76

Ezek közül a JADE (Java Agent DEvelopment Framework) keretrendszert választottam ki, mint multi-ágens implementációs eszközt, mert ez egy nyílt forráskódú Java alapú multi-ágens fejlesztő csomag, amely támogatja a Foundation for Intelligent Physical Agent (FIPA) ágens szabványát és integrálható a Protégé [6] ontológia szerkesztővel és a Java Expert System Shell (JESS) [10] következtető rendszerrel. A JADE ágens platform több konténerre (container) bontható szét, amelyek önálló JAVA virtuális gépek és JAVA szálakként implementált ágenseket tartalmaznak. Az ágensek közötti kommunikáció FIPA Agent Communication Language (FIPA ACL) formában reprezentált üzenetek küldésével valósul meg. A JADE nem tartalmaz következtetési technikákat, de integrálható több következtető rendszerrel, például a JESS-szel és a Prolog-gal is. A JESS egy következtető gép és szkript környezet, amely JAVA nyelven íródott. Rendelkezik egy nagyon hatékony Rete algoritmust használó előrehaladó következtető mechanizmussal és egy visszafelé haladó következtető módszerrel is. A diagnosztikai rendszer általános és moduláris alkalmazhatóságát biztosító ontológiák formájában leírt ismereteket használom fel a JADE és JESS által használt objektum példányok illetve tények előállítására. A Protégé ontológia szerkesztő eszközzel megvalósított ontológiát az ún. Ontology Bean Generator segédprogram segítségével automatikusan generálni lehet a JADE illetve JESS által kezelhető formában. A szimulációkhoz használt dinamikus modelleket MATLAB-ban [11] valósítottam meg, így a MATLAB szolgáltatja a szimulált folyamatrendszer valós idejű adatait és tartalmazza a predikcióhoz használt egyszerűsített modelleket is. A MATLAB és a JADE közötti kommunikációt a szabványos TCP/IP protokoll felhasználásával valósítottam meg. A nagy mennyiségű adat archiválására MySQL [12] adatbázisokat használtam. A JADE és a MySQL adatbázisok közötti kapcsolatot a MySQL Connector/J [13] alkalmazásával realizáltam. A JADE környezetben megvalósított multi-ágens diagnosztikai rendszer fő elemei és a szoftver struktúrája a 20. ábrán látható.

5.3. Esettanulmány: ágens alapú granulátor diagnosztikai rendszer Az ismertetett módszert és a prototípus multi-ágens diagnosztikai rendszert [P8, P10, P11] egy műtrágyagyártó granulátor körön mutatom be.

5.3.1. A granulátor diagnosztikai rendszer tudáselemei A granulátor diagnosztikai rendszerében két típusú tudáselem van. A dinamikus folyamatmodellek, amelyek differenciál-algebrai egyenletek formájában tartalmazzák a folyamatrendszer hagyományos mérnöki ismereteit; valamint a szisztematikusan összegyűjtött heurisztikus információk, amelyek HAZOP és/vagy FMEA analízis eredményeiből származnak. Az esettanulmányban felhasznált HAZOP tábla és FMEA tábla részeket a 23. ábra tartalmazza. A HAZOP tábla definiálja a (statikus) ok-következmény kap-

77

Real process or real-time simulator

Monitoring Agent

Corroborating Agent

PreProcessor Agent

Control Agent

Real-time agents Based on Real-time database ontology

Real-time database

ACL messages Agent Management System

Remote Monitoring Agent (GUI)

Directory Facilitator

RMI server (for communication)

Diagnostic agents Based on Diagnostic ontology (HAZOP, FMEA)

Model parameter estimator

Prediction accuracy coordinator

Process output predictor

Contradiction or conflict resolver

ACL messages

Completeness coordinator

State and diagnostic parameter estimator

Loss preventor

Fault isolator

Fault detector

Symptom generator

ACL messages

Process agents Based on Process-specific ontology

20. ábra. A multi-ágens diagnosztikai rendszer struktúrája

csolatokat a szimptómák és a lehetséges okok között, amellyel vissza lehet jutni a deviancia gyökér okaihoz. Két egymással kapcsolatban álló szimptómát tartalmaz a HAZOP táblázat, ahol mindegyik szimptómához legalább két különböző ok tartozik. Egy lehetséges okot egy gyökér oknak tekintek, ha a rendszer egy fizikai komponensének egy meghibásodási módjához kapcsolódik, például ilyen a HAZOP tábla második sorában a (2)-vel jelölt ok. Amikor egy ilyen gyökér okot talált a diagnosztikai rendszer, a diagnosztikai eredmény kiegészíthető vagy finomítható a megfelelő FMEA bejegyzésnek megfelelően, ahogy ez az FMEA táblázatban is látható. Az 5.2.1 fejezetben ismertetett ontológiákat Protégé ontológia szerkesztővel valósítottam meg. Egy minta diagnosztikai ontológia HAZOP táblára vonatkozó részlete látható a 21. ábrán.

78

21. ábra. A diagnosztikai ontológia egy része

5.3.2. Szimulációs eredmények Az ismertetett ágens-alapú diagnosztikai rendszer működésének illusztrálásához csak a rendszer egy részét, pontosabban a diagnosztikai ágensek együttműködését mutatom be [P10]. Ezért egy olyan esetet választottam, amikor a diagnosztika eredmény különböző hibadetektálási és -izolálási módszerek kombinációjával kapható meg. Ezen ágens részrendszer szerkezete látható a 22. ábra bal oldalán. A bemutatott ágensek működése logikai következtetéseken alapszik kiegészítve egy folyamat szimuláló ágenssel. Eltekintve a JADE beépített, főkonténerben (Main-Container) lévő ágenseitől, az ágens platform három konténert tartalmaz: • a Real-Time Agents nevű konténer a valós idejű ágensek számára (MonitoringAgent és PreProcessorAgent), • a Diagnostic Agents nevű konténer a diagnosztikai ágensek számára (SymptomGeneratorAgent, FaultIsolatorAgents – ezek HAZOP és FMEA analízisen alapulnak–, CompletenessCoordinatorAgent és LossPreventorAgent) • a Process Agents nevű konténer pedig egy folyamat ágenst (ProcessOutputPredictor) tartalmaz. Ezen diagnosztikai ágensek fő viselkedése a heurisztikus tudáson (HAZOP, FMEA) 79

22. ábra. Az ágens részrendszer struktúrája és a részrendszeren belüli kommunikáció

alapuló logikai következtetés, amelyet a JESS következtető gépe segít. Az ágensek közötti kommunikáció és működés egy részletét a 22. ábra jobb oldala szemlélteti. A diagnosztikai folyamatot a diagnosztikai ágensekkel azon szituációban mutatom be, amikor a granulátorból kilépő átlagos részecske átmérő (d50 ) kisebb, mint egy megadott határérték. Ez az eset megfelel a 23. ábrán szereplő HAZOP tábla első sorának, amelyet a „Mean particle diameter (d50) LESS” szimptóma ír le. Sok egyéb jóval bonyolultabb hiba lehetséges egy ilyen ipari rendszerben. A MonitoringAgent ágens által szolgáltatott változó értékei alapján a PreProcessorAgent ágens meghatározza a rendszerben lévő devianciákat. Abban az esetben, ha van detektált deviancia, a SymptomGeneratorAgent ágens ellenőrzi a szimptómák jelenlétét, jelen példa esetén a „d50 LESS” szimptómát és informálja a CompletenessCoordinatorAgent ágenst. A CompletenessCoordinatorAgent ágens továbbítja a szimptómát a HAZOPFaultIsolatorAgent és LossPreventorAgent ágenseknek, hogy meghatározzák a lehetséges hibákat és javasoljanak megelőző beavatkozásokat a HAZOP táblában szereplő információk felhasználásával. A HAZOPFaultIsolatorAgent ágens következtetés sorrendjét a 23. ábrán látható folyamatábra és a 24. táblázat HAZOP táblarészen szereplő jelölés szemlélteti. A HAZOP táblából látható, hogy a következtetés három lehetséges gyökér okot talál (azaz olyan okokat, amelyek a rendszer elemi komponenseinek meghibásodásaihoz kapcsolódnak), ahogy az a tábla második sorából kiolvasható. A diagnosztikai és veszteség megelőző eredmények halmazát többszörös hibák esetén az FMEA analízisből származó táblán alapuló FMEAFaultIsolatorAgent ágens pontosítja, amelyet a CompletenessCoordinatorAgent ágens hív meg a HAZOP táblázatból származó információk alapján. Eredményként a „Slurry flow control valve fails Closed” gyökér ok hatását állítja elő („D50 reduces in product”), amely azonos az észlelt szimptómával. A LossPreventorAgent ágens által meghatározott lehetséges megelőző beavatkozások három lehetőséget írnak le a HAZOP tábla első sorának utolsó oszlopa szerint. A javaslatok alapján a CompletenessCoordinator-

80

Guide - De via tio n w o rd Mean P a rticle Diamete r (D50)

S lurry feed flow

Po ssible ca use s

Co nse que nc e s

(1) Decre as e in fres h fe e d s ize

LES S

Ac tio n re quire d

* de crea s e in s ys te m holdup * change in gra nulation condition * change in rec yc le P S D

a) incre as e fre s h fee d s iz e b) c hange to original fee d type

(2) Decre as e /los s of s lurry flow (1) opera tor error in * reduce d liquid phas e in s e tting the flowrate gra nula tor

LES S

(2) fa ilure in va lve a c tua tor (3) fa ilure in va lve c a us ing clos ure (4) reduc ed s lurry production in prene utra lize r

c) incre as e s lurry flow a) re vie w training re gime s for opera tors a nd e ns ure cros s c hec king on s e tpoint c hange s

* lac k of granula tion

b) a c tua tor preventative maintena nc e plan c he ck * lower produc t s iz e ra nge c) a c tiva te s lurry control va lve byflow from gra nulator pa s s and s e t flow manua lly d) c hec k s lurry fe e d dens ity and a djus t prene utralize r

The relevant part of the HAZOP table Co m - De sc rip- Fa ilure po ne nt tio n mo de FCV

S lurry flow control va lve

S tuc k

De te ctio n

Effe c ts

Po ssib le c a use s

Lo c a l

maintance failure

Critic a lity

Actio n

S yste m indire c tly via product qua lity

los s of flow pote ntia l control produc t quality impa c ts

re vie w ma intena nc e MEDIUM proc e dure s - qua lity re duc tion in product

corros ion Clos e d

lowe r or no no growth flow D50 reduce s in product

Open The relevant part of the FMEA table

23. ábra. HAZOP és FMEA táblákon végzett következtetés

Fresh Feed Slurry (S1)

S1

Initial stream deviation ”d50 LOW”

Granulator

S2

S4 S3

Rotary Dryer

S-10

Bucket elevator

NH3 (S3)

S6

S7

S10

Oversize

Screens

S11

Product (S11)

Crusher S8 S9 Undersize Conveyor

Conveyor

24. ábra. A diagnosztikai következtetés lépései a granulátor kör folyamatábráján

81

Agent ágens aktiválja a ProcessOutputPredictor ágenst, hogy megbecsültesse a rendszer jövőbeli viselkedését a megelőző beavatkozások segítségével. A vizsgált diagnosztikai ágensek következtetéseinek eredményeit szemlélteti a 25. és 26. ábra, amelyeken a HAZOPFaultIsolatorAgent ágens következtetési lépései illetve a CompletenessCoordinatorAgent ágens által fogadott illetve továbbított üzenetek láthatóak.

5.4. Összefoglalás Ebben a fejezetben a multi-ágens diagnosztikával kapcsolatos fogalmakat, módszereket és saját kutatási eredményeimet ismertetem a [P8], [P10] és [P11] közlemények alapján. Az ágens alapú diagnosztikai rendszer szerkezetét és tudásreprezentációját tárgyalja az 5.2 alfejezet. Az ágens alapú diagnosztikai rendszert a következő elemekből építettem fel. (a) A tudásreprezentáció eszközeként a diagnosztikai rendszer általános és moduláris alkalmazhatóságát figyelembe véve két ontológia halmazt definiáltam. A folyamatspecifikus ontológia írja le a folyamatrendszerek fogalmait és azok kapcsolatait a megszorításokkal együtt. A diagnosztikai ontológia a diagnosztikai fogalmak és különböző diagnosztikai eszközök és eljárások szemantikáját formalizálja. Egy valós idejű adatbázisban tároltam az ontológiákban szereplő, időben változó elemeket. (b) A diagnosztikai rendszerhez tartozó ágensek feladataikat és működésüket az 5.2.2 alfejezetben fejtettem ki. Az ágensek csoportosíthatók az általuk használt ontológia alapján, így vannak a folyamatokhoz kapcsolódó ágensek, a diagnosztikához kapcsolódó ágensek és a valós idejű kiszolgálásokhoz kapcsolódó ágensek. A diagnosztika ágensek együttműködésére épül, amelyek az általam definiált ontológiákra támaszkodnak az együttműködés során. A diagnosztikai feladatokat a diagnosztikai ágensekben megvalósított eljárások, módszerek végzik. A diagnosztikai ágensek egymással együttműködve következtetnek és/vagy numerikus számításokat végeznek a hiba vagy meghibásodás minél pontosabb azonosítása (Hiba izolátorok), valamint a teljesebb (Teljesség koordinátor ágens) és ellentmondásmentesebb (Ellentmondás vagy konfliktus feloldó ágens) diagnosztika érdekében. A hiba izolációt az ágens alapú diagnosztikai módszernél a szimptómából visszafelé haladó következtetéssel dolgozó HAZOP és a gyökér okból előrefelé haladó következtetést megvalósító FMEA módszerek koordinált működésével értem el. Az ismertetett módszert és a prototípus multi-ágens diagnosztikai rendszert egy granulátor körön mutattam be az 5.4 alfejezetben. A diagnosztikai rendszer megvalósításához a JADE Java alapú ágens fejlesztő környezetet választottam, integrálva a JESS következtető géppel, a Protégé ontológia szerkesztővel és a MATLAB/SIMULINK szimulációs környezettel.

82

25. ábra. A HAZOPFaultIsolatorAgent ágens következtetéseinek egy része

26. ábra. A CompletenessCoordinatorAgent ágens üzeneteinek egy része

83

6. fejezet Többléptékű modellek egyszerűsítése diagnosztikai célból A pontosabb diagnosztika és hatékonyabb beavatkozás, veszteségcsökkentés érdekében a hibadetektálás és izolálás során a predikció, valamint a megfelelő beavatkozás(ok) meghatározása fontos szerepet kap. A nem megfelelő vagy téves hibafelismerés utáni beavatkozás(ok) kiszűrése érdekében a beavatkozások hatásait szimulálni lehet a rendszer aktuális állapotából indítva egy adott időhorizonton. Mivel a bonyolult vagy többléptékű modellek szimulációjának számítási igénye túlságosan nagy és nincs is szükségünk a rendszer állapotának pontos értékeire, ezért szükségtelen a teljes részletes modellt használni. Legtöbbször elég egy adott hibaszcenárióhoz tartozó egyszerűbb modell vagy részmodell alkalmazása, amely leírja a rendszert vagy részrendszert az adott hibaszcenárióban. Ez a fejezet a korábbi fejezetekben bemutatott és alkalmazott predikción alapuló diagnosztikai rendszerekben predikciós céllal felhasznált többléptékű folyamatmodellek egyszerűsítésével foglalkozik.

6.1. Modell egyszerűsítés A modell egyszerűsítés célja egy olyan „egyszerű” modell megtalálása, amely funkcionálisan azonos egy adott részletes „eredeti” modellel, de sokkal kisebb számításigényű, azaz kisebb a mérete, mint az eredetinek. Ebben a részben összefoglalom a modell egyszerűsítéssel kapcsolatos fogalmakat.

6.1.1. Folyamatmodellek és modellezési céljaik A folyamatmodellek megalkotása a modellezési probléma kitűzésével [45] kezdődik, amely az alábbi általános formában írható le. Adott: • egy modellezendő folyamatrendszer leírása, amely megadja a rendszer határait, a rendszerben lejátszódó folyamatokat, a rendszer jellemző paramétereit, valamint a be- és kimeneteket.

84

• egy modellezési cél (pl. tervezés, folyamatirányítás vagy -diagnosztika, dinamikus szimuláció), amely meghatározza, hogy a modellt milyen részletességgel adjuk meg, és milyen folyamatokat kell leírnia. Feladat: az adott modellezési célnak megfelelő modell építése. A természet egyik alapvető, általános törvénye a tömeg és az energia megmaradása. A folyamatrendszerek dinamikus viselkedésének leírása az alapvető megmaradási mennyiségekre (tömeg, komponens tömeg, energia, momentum) felírt megmaradási egyenleteken alapszik. Fontos kiemelni, hogy a modellezési cél hatással van a megépítendő modellre, azaz a modell minőségi jellemzőire, a figyelembe vett mechanizmusokra, a modell pontosságára vagy a modell típusára (statikus - dinamikus, determinisztikus - sztochasztikus, tökéletesen kevert - elosztott paraméterű). Jelenleg nincs egy olyan kiforrott szisztematikus módszer, amely megadná, hogy a modellezési cél milyen hatással van a modellre. Csak néhány célvezérelt modellezési lépés [70] áll rendelkezésre.

6.1.2. Funkcionálisan ekvivalens folyamatmodellek Ugyanazon folyamatrendszer két modelljét funkcionálisan azonosnak (functionally equivalent) nevezzük, ha megfelelnek ugyanazon modellezési célnak [70]. Ha a modellezési cél valamilyen minőségi jellemzőként definiált, amelyet a minőségi változók értékei definiálnak, akkor a funkcionális azonosság algoritmikusan és a modellek megoldásával is meghatározható. A modellekhez hozzárendelhetőek olyan méretindexek (mutatószámok), amelyek általánosságban megadják a modellek méretét. Dinamikus modelleknél a leggyakoribb méretindex az állapotváltozók száma, azaz a modell rendje. Egy alkalmasan definiált méretindex rendelhető a funkcionálisan azonos modellekhez is, amely alapján meghatározható, hogy melyik a kisebb méretű modell. A 27. ábrán látható, hogy a minőségi- és a méretindexek hogyan viszonyulnak egymáshoz. Modelling goal

Set of all models considered for the application

Set of "functionally" equivalent models that satisfy modelling goal

Performance indices determine set of "functionally" equivalent models

"Minimal" model for stated goal

Quality (size) indices determine "minimal" model

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

85

6.1.3. Modell egyszerűsítés problémája Ha a predikción alapuló diagnosztikai célra akarunk készíteni egyszerűsített modelleket, akkor a következő feltételezésekkel szokás élni a folyamatrendszerrel és modelljével kapcsolatban: A1 Mind az eredeti, mind az egyszerűsített modell koncentrált paraméterű folyamatmodell. A2 A folyamatrendszer sima nemlinearitásokkal rendelkezik és egy állandósult állapot környezetében írja le annak viselkedését. A fenti feltételezések mellett megfogalmazható az általános modell egyszerűsítési probléma kitűzése erre a speciális esetre, amely az alábbi általános formában írható le. Adott: • egy részletes folyamatmodell, amely a természet alapvető törvényeiből (a tömeg és az energia megmaradása) származik; • egy előírt bemenet-kimenet viselkedések halmaza, amely meghatározza a modellek elvárt minőségét; • egyszerűségi indexek, mint általánosított méret mutatószámok halmaza, amely indexeket a dinamikus megmaradási mérlegegyenletekben szereplő állapotváltozók száma és a modell nemlinearitásának illetve linearitásának foka határoz meg. Feladat: meghatározni a „legegyszerűbb” egyszerűsített modellt, amely • funkcionálisan azonos a részletes modellel az előírt bemenet-kimenet viselkedések tekintetében; és • legkisebb mérettel rendelkezik az egyszerűségi indexek alapján. Az egyszerűsített modellt a fenti két tulajdonsággal minimális modellnek (minimal model) [70] nevezzük a meghatározott egyszerűségi indexekre vonatkoztatva. Fontos megjegyezni, hogy a minimális modellek nem szükségszerűen egyértelműek.

6.1.4. Elemi modell egyszerűsítő lépések A fentebb tárgyalt A1 és A2 modellezési feltételezések mellett két egyszerű, a gyakorlatban széleskörűen használt elemi modell egyszerűsítő lépés ismeretes [74, 45], amely alkalmazható nemlineáris állapottér modellekre: (i) az állapotegyenletek számának csökkentése a különböző időmódok (pl. gyors, közepes és lassú módok) szétválasztásával; (ii) egy állandósult állapot körül az állapotegyenletek linearizációja.

86

Az állapotegyenletek számának csökkentése A folyamatmodellek állapotegyenletei a dinamikus megmaradási térfogatokra felírt megmaradási egyenletekből származtathatóak a kiegészítő egyenletek behelyettesítésével. Ha a mérlegek különböző megmaradó mennyiségekre vonatkoznak, például komponens tömegek és energia, vagy ha a megmaradó mennyiségek a mérlegelési térfogaton belüli nagyon eltérő tartózkodási idővel rendelkeznek, akkor megfigyelhető az időállandók szétválása. Ismeretesek a szakirodalomban szinguláris perturbáción alapuló analitikusan kezelhető analízis módszerek (lásd pl. [69, 15] és a bennük szereplő hivatkozások) arra, hogy hogyan találhatók meg az elválasztó karakterisztikus idők és hogyan adhatók meg modell egyszerűsítés segítségével dinamikus modellek minden egyes időszintre. Ha a modell egyszerűsítés elemi lépéseit, mint modell transzformációkat tekintjük, akkor a transzformáció alkalmazható az időskála szétválása esetén az állandósult állapot feltételezéssel egy, a modellezési cél szempontjából alapvető átlagos dinamikájú változókhoz képest „gyors” vagy „lassú dinamikájú” χ változóra. Formálisan, az állapotegyenletek számának csökkentése a dχ(t) ≈0 dt

→

χ(t) = konstans

(30)

transzformáció alkalmazása a kiszemelt állapotegyenlet(ek)re. A transzformáció eredményeként a χ változóhoz tartozó dinamikus megmaradási mérlegből származó differenciál egyenlet algebraivá változik, így – szerencsés esetben – behelyettesíthető a fennmaradó differenciál egyenletekbe. Ezáltal az állapotegyenletek száma (és az állapotváltozók száma) eggyel csökken, és χ formálisan eltűnik az egyenletekből (Leitold et al. (2000) [74] részletesebben tárgyalja mindezt). Linearizáció Egy állandósult állapot körüli linearizáció egy alapvető és jól ismert modell egyszerűsítési művelet [45]. Az alkalmazhatóság feltétele, hogy az eredeti modell sima nemlinearitású legyen és a rendszer csak egy egyensúlyi működési pont körül változzon. A linearizált modell csak a normál működési pont egy többé-kevésbé szűk tartományán érvényes. A linearizáció alkalmazható a teljes modellre vagy a modell egy részére attól függően, hogy a nemlinearitás hogyan változik a változó-koordináta irányok mentén.

6.1.5. Az elemi modell egyszerűsítő lépések tulajdonságai Megmutatható, hogy mind az állapotegyenletek számának csökkentése, mind a linearizáció, mint modell transzformációk rendelkeznek a következő alaptulajdonságokkal: • megőrzik a modell alapvető dinamikus tulajdonságait (pl. irányíthatóság, megfigyelhetőség és stabilitás) [74], • a kapott eredmények erősen függnek az állandósult állapottól,

87

• mindkettő alkalmazható egy hiba „kezdeti fázisában”, amikor a rendszer még egy állandósult nominális működési pont környezetében van.

6.2. Modell egyszerűsítés diagnosztikai céllal Ahogy az a 2.1.3 alfejezetben látható, egy diagnosztikai szcenáriót legalább három karakterisztikus változó határoz meg: egy gyökér ok, egy szimptóma változó, amely létrehozza a szimptómákat és egy bemeneti jel, amely a megelőző beavatkozás(ok) megvalósítására használható fel. Ezen változókhoz kapcsolódóan a következő szinteket definiálom egy skála mentén, általában a méretskála mentén: • gyökér ok szint, • aktuális vagy szimptóma szint, • irányítási vagy megelőző beavatkozás szint. Természetesen ideális esetben, amikor a fenti három szint egybeesik, akkor a szimptóma változókat és megelőző beavatkozásokat a gyökér ok szintjéről célszerű kiválasztani. A többléptékű modellek predikció alapú diagnosztikai célú modell egyszerűsítésének probléma kitűzése az alábbi alakban fogalmazható meg [P9, P12]. Adott: • egy többléptékű folyamatmodell, amely képes leírni a rendszer viselkedését a figyelembe vett meghibásodások esetében (amelyek a gyökér okok által generáltak), • egy nominális állandósult állapotú működési pont, • egy (gyökér ok, szimptóma változó, megelőző beavatkozás) rendezett hármas, • referencia bemenet-kimenet viselkedés: diagnosztikai szcenáriónak megfelelően a megelőző beavatkozással és anélkül, • egyszerűségi index: az állapotváltozók száma és a linearitás fokának függvényében. Feladat: meghatározni egy egyszerűsített modellt egyetlen időskála szinten, amely lineáris és létrehozza az adott referencia viselkedést a hiba hatásának predikciójához. Ez csak abban az esetben határozható meg, ha az időskálán a megfelelő időszintek kellően szétválnak. Fontos megjegyezni, hogy nem mindig szükséges és nem is mindig célszerű az egyszerűsített modell linearitását megkövetelni; ez esetben az egyszerűségi index egyszerűen az állapotváltozók száma.

88

6.2.1. A modell egyszerűsítési eljárás A többléptékű modellek fenti modell egyszerűsítési problémájának megoldása az alábbi elvi lépésekből áll [P9, P12]: (1) Az aktuális szint meghatározása az időskálán a figyelembe vett szimptómákban megjelenő változókból. Ha egynél több időszint felel meg az aktuális méret szintnek, akkor azt a szintet kell választani, amely az adott diagnosztikai szcenáriónak megfelel. Itt kell meghatározni, hogy van-e időskála szétválás, azaz, hogy a feladat megoldható-e egyáltalán. Ezt az ellenőrző lépést a valódi rendszeren vagy a részletes többléptékű modellen empirikus kísérletekkel, egységugrás-válaszfüggvények analízisével lehet megvalósítani. (2) A méretskálán az aktuális ok és okozati szintekről azon dinamikus megmaradási mérlegek kiválasztása, amelyek az időskálán az aktuális szinthez tartoznak. A modell egyéb (lassabb vagy gyorsabb) időskálákhoz tartozó dinamikus mérlegegyenleteit állandósult állapot feltételezéssel algebrai egyenletetté kell alakítani. A megmaradó aktuális szinthez tartozó differenciál egyenletek a kiegészítő algebrai egyenletekkel adják a skála-redukált nemlineáris modellt. (3) A fenti nemlineáris modell (lehetőleg DAE alakban) linearizálása az adott nominális állandósult állapotú működési pontban. Behelyettesítve az algebrai egyenleteket a differenciális egyenletekbe egy szabványos lineáris állapottér modell adódik. A kapott modell meghatározza a skála-redukált lineáris modellt. (4) A fent kapott skála-redukált lineáris modell modell paramétereinek meghatározása szabványos paraméterbecslési eljárásokkal, felhasználva a valós mért vagy a szimuláció által előállított adatokat. Ha az egyszerűsített modell linearitását nem követeljük meg, akkor a fenti (3) lépés értelemszerűen kimarad, de a (4) lépésbeli paraméterbecslést a skála-redukált nemlineáris modellre el kell végezni.

6.2.2. Összehasonlítás más modellegyszerűsítési és modellredukciós módszerekkel Az irodalomban számos különböző módszer található modellegyszerűsítésre és redukcióra egy megfelelő méretű és komplexitású modell meghatározásához. Ezeket a módszereket a modellegyszerűsét során alkalmazott mérnöki tudás szerint osztályozhatjuk. A modellredukciós módszerek teljesen fekete-doboz típusúak: állapot transzformációkat alkalmaznak, hogy meghatározzák az eredeti állapotváltozók azon kombinációját, amelyeknek nincs jelentős hatásuk a rendszer bemenet-kimenet viselkedésére és ezért ezek elhagyhatok. Egy jól ismert példa a MATLAB modred parancsa [45].

89

A modellegyszerűsítő módszerek a mérnöki tudást és a működtetési tapasztalatokat használják fel arra, hogy elhagyjanak állapotváltozókat. Az elhagyandó állapotváltozók kiválasztása az eredeti állapot változó dinamikáján és fizikai jelentésén alapszik. Például Leitold et al. (2000) [74] és Hangos and Cameron (2000) [45] egy gráfelméleti módszert ismertetett koncentrált paraméterű dinamikus folyamatmodellek struktúra egyszerűsítésére. Németh et al. (2005) [83] a koncentrált paraméterű nemlineáris állapottér modellek modellegyszerűsítésre egy olyan szisztematikus módszert ad, amely figyelembe vesz egy előre definiált performancia kritériumot és a fizikai meglátásokon alapszik. A fentiektől eltérően predikció alapú diagnosztikai célú modellegyszerűsítés nem analitikus, hanem empirikus ismereteken alapszik és a modellegyszerűsítés célja a modell méretének csökkentése úgy, hogy a modell egy adott hibamódban leírja a hibás működést, ezáltal alkalmas diagnosztikai célú felhasználásra.

6.3. Esettanulmány A bemutatott modell egyszerűsítő módszer első elvi lépését egy műtrágyát előállító granulátor dob példáján mutatom be.

6.3.1. Granulátor dob: a modell skálatérképe Ahhoz, hogy elkészítsük a granulátor dob a 3. ábrán látható skálatérképének finomítását, amely az időskálán az aktuális ok és beavatkozási szintek meghatározásához szükséges, rendelkeznünk kell egy elég részletes rendszermodellel vagy a valódi rendszeren kísérletezési lehetőséggel. A kiválasztott esettanulmányhoz a modell egyenleteket Balliu (2005) [16] értekezéséből vettem, amelyeket a 2.5.2 alfejezetben ismertettem. A (24) állapottér egyenlet szerkezetéből látszik, hogy általános esetben a teljes modell erősen összecsatolt és kicsi az esély arra, hogy fekete-doboz modell egyszerűsítő technikákat (mint például a MATLAB modred parancsa) alkalmazzunk rá.

6.3.2. Hiba szcenáriók és időskála szétválás Ahhoz, hogy megvizsgáljam az időskála szétválást, a modell egyszerűsítés lehetőségeit és ezek függését a hibák gyökér okaitól, a következő két hiba szcenáriót tekintem: (i) a kötőanyag betáplálási árama megnő („Binder_flow = MORE”), amely elsődlegesen az összes tömeg és energia változókra van hatással; (ii) a betáplált részecske méret eloszlás (PSD) szélessége megnő („Solids_feed_PSD = WIDE”), amely minden mechanizmusra és mérlegre hatással van. Mindkét esetben megvártam az állandósult működési állapot kialakulását, ezután a rendszerre egy ugrásszerű zavarást bocsátottam a hozzá tartozó változóban és megfigyeltem a tranziens válaszokat.

90

1. Binder_flow = MORE A granulátor dobba bevezetett kötőanyag betáplálási áramát (FN H3 ) a t = 700s időpillanatban megnöveltem. A 28. ábrán a szimuláció eredménye látható. A 28. ábra alapján egy időskála szétválás figyelhető meg a részecske méret osztályok tömege (lassú változók) és a többi állapotváltozó között. A szétválás mértéke legalább egy nagyságrendnyi különbség a meghatározó időállandóban. Ez megfelel a mérnöki várakozásainknak, azaz a kötőanyag betáplálási áramának megnövekedése elsődlegesen az összes tömeg és energia változókra van hatással és csak másodlagosan hat, ahogy az vártuk, a PSD változókra a granulátumok szintjén. Időskála szétválasztás A fenti egységugrás szcenárió alapján megrajzolható a granulátor dob egy finomított skála térképe, bejelölve az időskála szétválását a kiemelt változó(ko)n, amely(ek)re hatással van a kötőanyag betáplálási áram növekedés gyökér ok. Erre a hiba szcenárióra vonatkozó finomított skálatérkép látható a 29. ábrán. Modell egyszerűsítés Az eredmények alapján a kötőanyagáram megnövelése gyökér ok esetén a részletes modellt úgy egyszerűsítjük, hogy a PSD változókra vonatkozó állapotegyenleteket állandósult állapot feltételezéssel algebrai egyenletekké alakítjuk, így a modell rendje 20-szal csökken. 2. Solids_feed_PSD = WIDE A granulátor dobba a betáplált részecske méret eloszlás (PSD) szélességét megnöveltem (több kisebb méretű részecskét adtam) a t = 700s időpillanatban. A 30. ábrán a szimuláció eredménye látható. Ebben az esetben nem figyelhető meg időskála szétválás, így a modell ez esetben nem egyszerűsíthető.

6.4. Összefoglalás Ebben a fejezetben a korábbiakban ismertetett és alkalmazott predikción alapuló diagnosztikai rendszerben predikciós céllal felhasznált többléptékű folyamatmodellek egyszerűsítésével kapcsolatos fogalmakat, módszereket és saját kutatási eredményeimet mutattam be a [P9] és a [P12] közlemények alapján. A predikción alapuló diagnosztikai célú modell egyszerűsítést tárgyalja a 6.2 alfejezet. Kiindulásképpen a többléptékű folyamatmodellek modell egyszerűsítésének probléma kitűzését írtam le és meghatároztam az egyszerűsítés szükséges feltételét: az időskála szintjeinek kellő szétválását. A 6.2.1 alfejezetben ismertettem a többléptékű modellek modellegyszerűsítésének lépéseit: az adott diagnosztikai szcenáriónak megfelelő időszint meghatározását az időskálán; a skála-redukált nemlineáris modell kiválasztását; a skála-redukált lineáris modell felírását; a skála-redukált lineáris modell paramétereinek meghatározását. Módszert javasoltam az időskála szétválás empirikus meghatározására a részletes többléptékű modellen vagy a valódi rendszeren elvégezhető egységugrás-válaszfüggvények analízisével.

91

1 mMAP mDAP mH2O ML ES EL FNH3

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0

0

100

200

300

400

500

600

700

800

900

1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 2000

1 MS(10) MS(12) MS(16) MS(17) MS(18) MS(19) FNH3

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0

0

100

200

300

400

500

600

700

800

900

1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 2000

28. ábra. Megnövekedett kötőanyag betáplálási áram szimulációs eredményei

92

-3 I 



M -!0 M $!0 M ( / , % , % 3

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

A bemutatott modell egyszerűsítő módszert egy műtrágya előállító granulátor dob példáján szemléltettem a 6.3 alfejezetben.

93

1 mMAP mDAP mH2O ML ES EL FS,in(8)

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0

0

100

200

300

400

500

600

700

800

900

1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 2000

1 MS(10) MS(12) MS(16) MS(17) MS(18) MS(19) FS,in(8)

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0

0

100

200

300

400

500

600

700

800

900

1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 2000

30. ábra. Szimulációs eredmény a granulátor dobba betáplált részecskék méret eloszlásának megváltozásakor

94

7. fejezet Összefoglalás Ebben a fejezetben először összehasonlítom és értékelem a különböző eszközökkel megvalósított predikción alapuló diagnosztikai rendszereket. Ezután tézisek formájában foglalom össze a dolgozatban bemutatott új eredményeket. Végül a további munka lehetséges irányait vázolom fel.

7.1. A predikción alapuló diagnosztikai rendszer különböző megvalósításainak összehasonlítása A dolgozatban három különböző eszközkészlettel: színezett hierarchikus Petri hálókkal, szakértői rendszerrel és multi-ágens rendszerrel megvalósított, predikción alapuló diagnosztikai rendszert mutattam be. A különböző implementációk a tárgyalás sorrendjében követték egymást, az előző(ek) tapasztalatait természetesen felhasználtam a következő(k)nél. Ebben a fejezetben röviden összehasonlítom a különböző megvalósításokat és értékelem a működésükkel kapcsolatos tapasztalatokat. Predikción alapuló diagnosztikai rendszer színezett hierarchikus Petri hálóval A Petri háló modell egyesíti a szemléletes grafikus leírás és a mögötte álló jól definiált matematikai formalizmus előnyeit. A színezett Petri hálók esetében szokásos és jól támogatott a hierarchikus modell építés, így egy ilyen modell kiválóan alkalmas a többléptékű modellek leírására. A Petri hálókat eredetileg események sorrendiségének, azaz ok-okozati viszonyoknak leírására alkalmazták. A Petri hálók ezen tulajdonságát az általam ismertetett predikción alapuló módszer ki is használja. Mivel a Petri háló önmagában is működőképes, ezért a diagnosztikai rendszer feladatai a háló elemek megfelelő szekvenciáinak tüzelésével valósulnak meg. A Petri háló modellek megépítése nem triviális, ezért nem lehet automatizálni a diagnosztikai szabályok háló elemekké való transzformálását. A Petri hálók elemeinek a száma a feladat méretével exponenciálisan növekszik (kombinatorikus robbanás problémája), így egy bizonyos méret után már a hierarchikus dekompozíció sem segít. Ez egy nagy hátránya a Petri hálón alapuló megvalósításnak a komplex, nagy méretű üzemek diagnosztikájának szempontjából.

95

Predikción alapuló diagnosztikai szakértői rendszer A szakértői rendszerek legfőbb tulajdonsága, hogy egy adott tématerület mély szaktudására támaszkodnak. A szabály alapú szakértői rendszerek jól reprezentálják az ok-okozati viszonyokat és a beépített következtető gép segítségével hatékonyan működhetnek. Az általam kiválasztott G2 szakértői keretrendszer támogatja az online működést, ezzel lehetőséget biztosított egy valós idejű diagnosztikai rendszer megvalósításához. A G2 továbbá objektum-orientált rendszer, ezért lehetőség van hierarchikus modellek építésére. A szakértői rendszerekben a heurisztikus információt oly módon kell tárolni, hogy azt a következtető gép fel tudja dolgozni. Ezért a diagnosztikához szükséges információk tárolása nem triviális. A másik nagy problémája a diagnosztikai szakértői rendszernek, hogy a diagnosztikai rendszer eljárásai nem mindig egyszerűek, és nem mindig lehetséges szabályokkal leírni ezeket. Predikción alapuló diagnosztika multi-ágens rendszerrel A multi-ágens rendszerek alkalmazásának egyik legfőbb előnye, hogy a definiált ágensek egymással párhuzamosan, akár egymástól függetlenül és fizikailag távol (más hardveren) képesek működni valós időben is, ezért a valós idejű diagnosztika könnyen megvalósítható. Az ágensek viselkedését, működését és együttműködését definiáló eljárások, függvények leírása és kezelése egyszerűbb, mint egy monolitikus szerkezetű szakértői rendszerben. A multi-ágens rendszerek nem tartalmaznak beépített következtető mechanizmust, de alkalmas következtető gép választásával a következtetés megvalósítható, feltéve hogy lehetőség van egy következtető rendszerrel való összekapcsolásra. Ekkor a tisztán szabály alapú részek működtetését a diagnosztikai rendszerbe integrált következtető gép végzi.

7.2. Új tudományos eredmények Az értekezésben bemutatott új tudományos eredményeket az alábbi tézisekben foglalom össze. 1. Tézis Predikción alapuló diagnosztika színezett Petri hálóval (3. fejezet) ([P1], [P2], [P3], [P4], [P5]) Módszert dolgoztam ki predikción alapuló diagnosztika színezett hierarchikus Petri hálóval való megvalósítására, amellyel meghatároztam a Petri háló alapú diagnosztikai rendszer struktúráját és tudáselemeit. A diagnosztikai rendszerben használt információkat három rétegben különítettem el az információk típusa szerint: a hierarchikus (többléptékű) modell réteg, a szimptóma azonosítás réteg és a gyökér okok meghatározása réteg. A rétegeken belüli elemek a többléptékű modell hierarchiáját követik. Megmutattam, hogy a HAZOP táblából származó információk a diagnosztikai rendszerben közvetlenül felhasználható „if - then” alakú szabályokká alakíthatók. Megmutattam, hogy a javasolt diagnosztikai rendszer megvalósítható a Design/CPN színezett Petri hálók építésére és használatára készült szoftver csomaggal. 96

2. Tézis Predikción alapuló diagnosztikai szakértői rendszer (4. fejezet) ([P6], [P7], [P13]) Módszert ajánlottam predikción alapuló diagnosztikai szakértői rendszer megvalósítására. A diagnosztikai szakértői rendszert a következőképpen építettem fel. (a) A tudásábrázolás a többléptékű diagnosztikai szakértői rendszer megvalósításához szükséges és a szakértők által meghatározott tudást írja le. A HAZOP táblából származó heurisztikus tudáselemeket (szimptómák, gyökér okok és megelőző beavatkozások) és a köztük lévő logikai kapcsolatokat szabályok formájában reprezentáltam. A HAZOP tábla egy-egy sorát egy (ok, következmény, megelőző beavatkozás) rendezett hármassal azonosítottam. (b) A diagnosztika szabály alapú következtetési módszerre épül. A HAZOP táblából származó információkból létrehozott szabályok alkotják a tudásbázist, amelyet két részre tagoltam: diagnosztikai szabályok és megelőző beavatkozást meghatározó szabályok. A szimptóma detektálás után a szimptómához kapcsolódó releváns részmodell vagy hierarchia szint megtalálásához fókuszálást alkalmaztam, felhasználva a modell és a szabályok hierarchiáját. A predikció szerepet játszik a hiba izolálása során úgy is, hogy az előző diagnosztikai lépésben kapott predikált változó értékek és a megfelelő mért értékek összehasonlításán alapuló módszer alkalmas a téves/hamis okok eltávolítására. Megmutattam, hogy a javasolt diagnosztikai rendszer megvalósítható a G2 szakértői keretrendszerben. 3. Tézis Predikción alapuló diagnosztika multi-ágens rendszerrel (5. fejezet) ([P8], [P10], [P11]) Módszert dolgoztam ki predikción alapuló diagnosztika multi-ágens rendszerekkel való megvalósítására. Az ágens alapú diagnosztikai rendszert a következő elemekből építettem fel. (a) A tudásreprezentáció eszközeként a diagnosztikai rendszer általános és moduláris alkalmazhatóságát figyelembe véve két ontológia halmazt definiáltam. A folyamatspecifikus ontológia írja le a folyamatrendszerek fogalmait és azok kapcsolatait a megszorításokkal együtt. A diagnosztikai ontológia a diagnosztikai fogalmak, valamint a különböző diagnosztikai eszközök és eljárások szemantikáját formalizálja. Egy valós idejű adatbázisban tároltam az ontológiákban szereplő, időben változó elemeket. (b) Az ágenseket csoportosítottam az általuk használt ontológia alapján, így vannak a folyamatokhoz kapcsolódó ágensek, a diagnosztikához kapcsolódó ágensek és a valós idejű kiszolgálásokhoz kapcsolódó ágensek. A diagnosztikai ágensek egymással együttműködve következtetnek és/vagy numerikus számításokat végeznek a hiba vagy meghibásodás minél pontosabb azonosítása (Hiba izolátorok), valamint a teljesebb (Teljesség koordinátor 97

ágens) és ellentmondásmentesebb (Ellentmondás vagy konfliktus feloldó ágens) diagnosztika érdekében. Hatékony hibaizolációs algoritmust fejlesztettem ki a HAZOP és FMEA módszerek megfelelő koordinálására. Megmutattam, hogy a javasolt diagnosztikai rendszer megvalósítható a JADE Java alapú ágens fejlesztő környezetben, integrálva a JESS következtető géppel, a Protégé ontológia szerkesztővel és a MATLAB/SIMULINK szimulációs környezettel. 4. Tézis Többléptékű modellek egyszerűsítése diagnosztikai célból (6. fejezet) ([P9], [P12]) Módszert javasoltam predikciós diagnosztikai célra szolgáló többléptékű folyamatmodellek egyszerűsítésére. Kiindulásképpen a többléptékű folyamatmodellek modell egyszerűsítésének probléma kitűzését formális eszközökkel írtam le és meghatároztam az egyszerűsítés szükséges feltételét: az időskála szintjeinek kellő szétválását. Meghatároztam a többléptékű modellek modellegyszerűsítésének lépéseit: az adott diagnosztikai szcenáriónak megfelelő időszint meghatározását az időskálán; a skála-redukált nemlineáris modell kiválasztását; a skála-redukált lineáris modell felírását; a skála-redukált lineáris modell paramétereinek meghatározását. Módszert javasoltam az időskála szétválás empirikus meghatározására a részletes többléptékű modellen vagy a valódi rendszeren elvégezhető egységugrás-válaszfüggvények analízisével.

7.3. További kutatási lehetőségek, irányok A fentiekben bemutatott eredmények és a megfogalmazott tézisek természetesen nem tekinthetőek a kutatási munka végeredményeinek. Így a jövőben a kutatást a következő főbb irányokban lehet folytatni: (i) Diagnosztikai logikához kapcsolódó irányok: • HAZOP és FMEA táblák formális szintaxisának kidolgozása, amelyek segítségével a két heurisztikus tudáshalmazon együttesen lehetne következtetni a pontosabb diagnosztika érdekében. • HAZOP és FMEA táblákban szereplő információk verifikálása és validálása. A táblák tartalmának teljessé és ellentmondásmentessé tétele, amelyre már a 3.3.4 alfejezetben is rámutattam. • Más heurisztikus módszerek bevonása az FMEA és HAZOP mellett a hibadiagnosztikába. (ii) Hibrid rendszerek diagnosztikájához kapcsolódó irányok: • Folytonos rendszerelemek beépítése a diagnosztikai rendszerbe. • Hibrid rendszerek predikción alapú diagnosztikái lehetőségeinek vizsgálata, az általam javasolt módszerek átültetése hibrid rendszerekre.

98

7.4. Publikációk Dolgozatom főbb eredményeit és a javasolt téziseket (ld. a 7.2. fejezet) bemutattam több nemzetközi konferencián és közzétettem szakfolyóiratban és kutatási jelentésben. Az első csoportban azokat a publikációimat sorolom fel, amelyek közvetlenül a tézisekben megfogalmazott eredményeimet tartalmazzák (zárójelben az ismertetett tézis sorszáma szerepel): [P1] E. Németh and K. M. Hangos, „Prediction-based diagnosis using coloured Petri nets,” in Proceedings of The 4th International PhD Workshop on Information Technologies and Control - Young Generation Viewpoint, Libverda, Czech Republic, 2003. on CD. (1. tézis) [P2] E. Németh, R. Lakner, K. M. Hangos, and I. T. Cameron, „Hierarchical CPN model-based diagnosis using HAZOP knowledge,” Technical report of the Systems and Control Laboratory SCL-009/2003, Computer and Automation Research Institute of HAS, 2003. http://daedalus.scl.sztaki.hu. (1. tézis) [P3] E. Németh, „Diagnostic goal driven modelling and simulation of multiscale process systems,” in Proceedings of The 5th International PhD Workshop on Systems and Control - Young Generation Viewpoint, Balatonfüred, Hungary, 2004. on CD. (1. tézis) [P4] E. Németh and K. M. Hangos, „Multi-scale process model description by generalized coloured CPN models,” Technical report of the Systems and Control Laboratory SCL-002/2004, Computer and Automation Research Institute of HAS, 2004. http://daedalus.scl.sztaki.hu. (1. tézis) [P5] E. Németh, I. T. Cameron, and K. M. Hangos, „Diagnostic goal driven modelling and simulation of multiscale process systems,” Computers and Chemical Engineering, vol. 29, pp. 783–796, 2005. (1. tézis) Impakt faktor: 1.678 (2004) [P6] E. Németh, R. Lakner, K. M. Hangos, and I. T. Cameron, „Prediction-based diagnosis and loss prevention using model-based reasoning,” in Lecture Notes in Artificial Intelligence, vol. 3533, pp. 367–369, Springer-Verlag, 2005. (2. tézis) Impakt faktor: 0.251 (2004) [P7] E. Németh, R. Lakner, K. M. Hangos, and I. T. Cameron, „Prediction-based diagnosis and loss prevention using qualitative multi-scale models,” in European Symposium on Computer Aided Process Engineering - 15 (L. Puigjaner and A. Espuna, eds.), vol. 20A of Computer-Aided Chemical Engineering 20 A/B, pp. 535–540, Elsevier Science, 2005. (2. tézis)

99

[P8] E. Németh, R. Lakner, and K. M. Hangos, „A multi-agent prediction-based diagnosis system,” in Proceedings of The 6th International PhD Workshop on Systems and Control - Young Generation Viewpoint, Izola, Slovenia, 2005. on CD. (3. tézis) [P9] E. Németh, R. Lakner, and K. M. Hangos, „Diagnostic goal-driven reduction of multiscale process models,” Technical report of the Systems and Control Laboratory SCL-001/2005, Computer and Automation Research Institute of HAS, 2005. http://daedalus.scl.sztaki.hu. (4. tézis) [P10] R. Lakner, E. Németh, K. M. Hangos, and I. T. Cameron, „Multiagent realization of prediction-based diagnosis and loss prevention,” 2006. Accepted to the IEA-AIE 2006 Conference and to the Lecture Notes in Artificial Intelligence. (3. tézis) Impakt faktor: 0.251 (2004) [P11] R. Lakner, E. Németh, K. M. Hangos, and I. T. Cameron, „Agent-based diagnosis for granulation processes,” 2006. Accepted to the ESCAPE-16 Conference. (3. tézis) [P12] E. Németh, R. Lakner, and K. M. Hangos, „Diagnostic goal-driven reduction of multiscale process models,” Model Reduction and Coarse-Graining Approaches for Multiscale Phenomena, ed. by A.N. Gorban, N. Kazantzis, Y.G. Kevrekidis, H.C. Ottinger, C. Theodoropoulos (Springer, Berlin–Heidelberg– New York 2006), 2006. In press. (4. tézis) [P13] E. Németh, R. Lakner, K. M. Hangos, and I. T. Cameron, „Prediction-based diagnosis and loss prevention using qualitative multi-scale models,” Submitted to Information Sciences, 2006. (2. tézis) Publikációim másik csoportja közvetlenül nem kapcsolódik a tézisekhez: [O1] E. Németh and K. M. Hangos. Deadlock analysis in hierarchical Petri nets. In Proceedings of The 3rd International PhD Workshop on Advances in Supervision and Control Systems - Young Generation Viewpoint, Strunjan, Slovenia, 2002. on CD. [O2] Á. Kovács, E. Németh, and K. M. Hangos. Coloured Petri net model of a simple runway. Technical report of the Systems and Control Laboratory SCL-001/2004, Computer and Automation Research Institute of HAS, 2004. [O3] Á. Kovács, E. Németh, and K. M. Hangos. Modeling and optimization of runway traffic flow using coloured Petri nets. In International Conference on Control and Automation - ICCA05, pages 881–886, 2005. on CD.

100

A. függelék Ellenáramú hőcserélő: különböző részletezettségi szintű modellek Egy egyszerű ellenáramú hőcserélő többléptékű modelljét [P4] mutatom be ebben a fejezetben.

A.1. A hőcserélő egy cellás modellje Tekinsük a 31. ábrán látható ellenáramú hőcserélőt (countercurrent heat exchanger, HE), amelyben a hideg folyadékáramot egy meleg folyadékáram fűti. A hőcserélő legfelső szintű modelljét egy tökéletesen kevert térfogatú cellapár, ún. hőcserélő cella alkotja. Minden ilyen cella két tökéletesen kevert tartályt tartalmaz be- és kiáramlásokkal. A két tartály a köztük elhelyezkedő hőátadó felület segítségével kapcsolódik egymáshoz.

Th(in)

Th

Th Heat

Tc

transfer

Tc

Tc(in)

31. ábra. Egy ellenáramú hőcserélő cella modellje

Modellezési feltételek • A folyadékok összes tömege (térfogata) mindkét oldalon állandó. • Nincs diffúzió. • Nincs hőveszteség a környezet felé. • A hőátadási tényező állandó. I

• A fizikai és kémiai állandók konstansok. • A folyadékok dugószerű áramlásúak. • A hőcserélő leírható, mint egy tökéletesen kevert tartály reaktor párja a hideg és meleg oldali térfogatoknak. Mérlegelési térfogatok Tökéletesen kevert mérlegelési térfogatot tekintek állandó térfogattal mind a hideg, mind a meleg oldalon. A h és c alsó indexek jelölik a meleg, illetve a hideg oldalt. Modell egyenletek: Változók (Th (t) , Tc (t))

, 0≤t

ahol Th (t) és Tc (t) a meleg és a hideg oldali hőmérséklet a tartályban és t az idő. Energia mérleg a meleg oldalra  dTh (t) KA Fh  (in) Th − Th − (Th (t) − Tc (t)) = dt Vh cph ρh Vh (in)

ahol Th (t) a meleg folyadék betáplálási hőmérséklete. Energia mérleg a hideg oldalra
KA Fc (in) dTc (t) Tc (t) − Tc (t) − (Tc (t) − Th (t)) = dt Vc cpc ρc Vc (in)

ahol Tc

(t) a hideg folyadék betáplálási hőmérséklete

A Fh és Fc a tömegáramokat, a Vh és Vc a térfogatokat, A a hőátadási felület nagyságát, cph és cpc a fajhőket, ρh és ρc a sűrűségeket, K a hőátadási együtthatót jelöli.

A.2. A hőcserélő kaszkád modellje Ha finomítani akarjuk a modellt, akkor a hőcserélőt n darab egyenlő részre osztjuk. Ez adja a hőcserélő kaszkád modelljét, amelyet a 32. ábra szemléltet. A kaszkád modell a 33. ábrán látható hőcserélő cellákból épül fel. Modellezési feltételek A modellezési feltételek utolsó feltételét kell módosítani az alábbira: • A hőcserélőt, mint egy n darab tökéletesen kevert tartály reaktor párja a hideg és meleg oldali térfogatoknak sorozataként írjuk le. (n = 3) II

(1) Th

(2)

(0)

Th

Th

(1)

(n)

(1)

Th

Th

(2)

(2)

Th

( n −1)

Th

(n)

Tc

(n)

Heat transfer

Tc (1)

Tc

Tc (2)

(1)

Tc

Tc(3)

(2)

Tc ( n)

hot side

Th ( n )

Tc ( n+1) cold side

32. ábra. A hőcserélő kaszkád modellje

A(i)

Th (i-1) vh Tc(i) vc

Th (i) vh

Vh (i) Th (i)

Vc

(i)

Tc

(i)

Q(i)

Tc(i-1) vc

33. ábra. Egy hőcserélő cella modellje

Mérlegelési térfogatok Tekintsünk 3 tökéletesen kevert térfogatot azonos térfogattal mind a meleg, mind a hideg oldalon. Modell egyenletek: Változók (k)



(k)

Th (t) , Tc(k) (t) , k = 1, 2, 3



, t≥0

(k)

ahol Th (t) és Tc (t) a meleg és hideg oldali hőmérséklet a k-dik tartálypárban és t az idő. Energia mérleg a meleg oldalra (k)   Fh (k)  (k−1) K (k) A(k)  (k) dTh (t) (k) (k) , k = 1, 2, 3 = − (k) (k) (k) Th − Tc Th − Th dt Vh cph ρh Vh (0)

(i)

Th (t) = Th (t) (i)

(in)

ahol Th (t) ahol Th (t) a meleg folyadék betáplálási hőmérséklete. Energia mérleg a hideg oldalra (k) 
dTc (t) K (k) A(k)  Fc (k) (k+1) (k) Tc − Tc(k) − (k) (k) (k) Tc(k) − Th = , k = 1, 2, 3 dt Vc cpc ρc Vc

III

(4)

Th (t) = Tc(i) (t) (i)

ahol Tc (t) a hideg folyadék betáplálási hőmérséklete. Fontos megjegyezni, hogy a hideg folyakék áramlásának iránya ellentétes a térfogatindexek növekedésével. Kezdeti feltételek (k)

(k)

, k = 1, 2, 3

(31)

(k) f2

, k = 1, 2, 3

(32)

Th (0) = f1 Tc(k) (0) (k)

=

(k)

ahol a f1 , k = 1, 2, 3 és f2 , k = 1, 2, 3 értékek adottak.

IV

Irodalomjegyzék [1] Reticular Systems. AgentBuilder - An integrated Toolkit for Constructing Intelligence Software Agents, 1999. http://www.agentbuilder.com. [2] System Safety Handbook, chapter 9: Analysis Techniques. Federal Aviation Administration, 2000. http://www.faa.gov/library/manuals/aviation/risk_management/ ss_handbook/media/Chap9_1200.pdf. [3] Design/CPN - Computer Tool for Coloured Petri Nets, 2002. http://www.daimi.au.dk/designCPN/. [4] FIPA-OS, 2003. http://www.nortelnetworks.com/products/announcements/fipa. [5] Agent Building and Learning Environment (ABLE), 2004. http://www.research.ibm.com/able. [6] The Protégé Ontology Editor and Knowledge Acquisition System, 2004. http://protege.stanford.edu. [7] CLISP - A Tool for Building Expert Systems, 2005. http://www.ghg.net/clips/CLIPS.html. [8] Coloured Petri Nets at the University of Aarhus, 2005. http://www.daimi.au.dk/CPnets/. [9] JADE - Java Agent DEvelopment Framework, 2005. http://jade.tilab.com. [10] JESS, the Rule Engine for the Java platform, 2005. http://herzberg.ca.sandia.gov/jess/. [11] MATLAB, 2005. http://www.mathworks.com/. [12] MySQL, 2005. http://www.mysql.com/. [13] MySQL Connector/J, 2005. http://www.mysql.com/products/connector/j/. [14] Petri Net World, 2005. http://www.informatik.uni-hamburg.de/TGI/PetriNets/.

V

[15] M. Baldea and M. Daoutidis. Dynamics and control of integrated process network with multi-rate reactions. In IFAC World Congress, Prague, Czech Republic, 2005. [16] N. E. Balliu. An object oriented approach to the modelling and dynamics of granulation circuits. PhD thesis, Department of Chemical Engineering, The University of Queensland, 2005. [17] M. Basila Jr., G. Stefanek, and A. Cinar. A model-object based supervisory expert system for fault tolerant chemical reactor control. Computers and Chemical Engineering, 14(4-5):551–560, 1990. [18] W. Becraft and P. Lee. An integrated neural network/expert system approach for fault diagnosis. Computers and Chemical Engineering, 17(10):1001–1014, 1993. [19] M. Blanke, M. Kinnaert, J. Junze, M. Staroswiecki, J. Schroder, and J. Lunze. Diagnosis and Fault-Tolerant Control. Springer-Verlag, 2003. [20] J. Bokor and G. Balas. Detection filter design for LPV systems - a geometric approach. Automatica, 40:511–518, 1997. [21] M. Brown and C. Harris. Neurofuzzy adaptive modelling and control. Prentice Hall International (UK) Ltd., 1994. [22] B. Buchanan and E. Shortliffe. Rule-Based Expert Systems. Reading, MA: Addison-Wesley, 1984. [23] Information Builders. Level5 Object for Microsoft Windows, 1995. http://www.ibi.com. [24] I. T. Cameron, G. D. Ingram, and K. M. Hangos. Multi-scale modelling. In L. Puigjaner and G. Heyen, editors, Computer Aided Process and Product Engineering. Wiley-VCH Verlag, 2006. [25] I. T. Cameron and R. Raman. Process Systems Risk Management. Elsevier, 2005. [26] I. T. Cameron, F. Y. Wang, C. D. Immanuel, and F. Stepanek. Process systems modelling and applications in granulation: A review. Computers and Chemical Engineering, 60:3723–3750, 2005. [27] C. G. Cassandras and S. Lafortune. Introduction to Discrete Event Systems. Kluwer Academic Publishers, 1999. [28] B. Chaib-Draa. Trends in agent communication language. Computational Intelligence, 18:89–101, 2002. [29] L. Chen and M. Modarres. Hierarchical decision process for fault administration. Computers and Chemical Engineering, 16(5):425–448, 1992.

VI

[30] Gensym Corporation. G2 Developer’s Guide, 2005. http://www.gensym.com/. [31] F. Crawley and B. Tyler. HAZOP: Guide to best practice. The Institution of Chemical Engineers, Rugby, U.K., 2000. [32] F. Crawley and B. Tyler. Hazard identification methods. The Institution of Chemical Engineers, Rugby, U.K., 2003. [33] M. Druzovec and T. Welzer. Agent IDA in model-based diagnostic domain. In Proceedings of the second ICSC symposium on engineering of intelligent systems, pages 532–537, University of Paisley, Scotland, U. K., 2000. [34] A. Edelmayer, J. Bokor, F. Szigeti, and L. Keviczky. Robust detection filter design in the presence of time varying system perturbations. Automatica, 33(3):471–475, 1997. [35] J. Ferber. Multi-Agent Systems - An Introduction to Distributed Artificial Intelligence. Addison-Wesley, 1999. [36] T. Finin, Y. Labrou, and J. Mayfield. Software Agents. MIT Press, Cambridge, 1997. [37] K. Forbus and J. de Kleer. Building Problem Solvers. Cambridge MA: MIT Press, 1993. [38] P. M. Frank, S. X. Ding, and T. Marcu. Model-based fault diagnosis in technical processes. Transactions of the Institution of Measurement and Control, 22(1):57–101, 2000. [39] I. Futó. Mesterséges Intelligencia. Aula Kiadó, 1999. [40] Inc. Gold Hill. GoldWorks III, 2000. http://www.goldhill-inc.com/goldwoks.htm. [41] I. E. Grossmann and A. W. Westerberg. Research challenges in process systems engineering. AIChE Journal, 46(9):1700–1703, 2000. [42] M. Guo and J. Li. The multi-scale attribute of transport and reaction systems. Progress in Natural Science, 11(2):81–86, 2001. [43] K. M. Hangos, J. Bokor, and G. Szederkényi. Computer Controlled Systems. Veszprémi Egyetem, 2003. [44] K. M. Hangos, J. Bokor, and G. Szederkényi. Analysis and Control of Nonlinear Process Systems. Springer-Verlag, London, 2004. [45] K. M. Hangos and I. T. Cameron. Process modelling and model analysis. Academic Press, 2001. [46] K. M. Hangos, R. Lakner, and M. Gerzson. Intelligent Control Systems - An Introduction with Examples. Kluwer Academic Publishers, 2001. VII

[47] A. Harder and J. A. Roels. Application of simple structured models in bioengineering. Advances in Biochemical Engineering, 21:55–107, 1982. [48] P. Harmon and B. Sawyer. Creating Expert Systems for Business and Industry. Wiley&Sons, Inc., 1990. [49] F. Heck, T. Laengle, and H. Woern. Multi-agent diagnosis systems in industry. In Proceedings of the Ninth International Workshop on Principles of Diagnosis, Cape Cod, Massachusetts, USA, 1998. [50] E. J. Henley. Application of expert systems to fault diagnosis. In AIChE annual meeting, San Francisco, CA., 1984. [51] P. Huber, K. Jensen, and R. M. Shapiro. Hierarchies in coloured Petri nets. Lecture Notes in Computer Science 483, Advances in Petri Nets 1990, pages 313–341, 1990. [52] IEC60812. Analysis techniques for system reliability - Procedure for failure mode and effects analysis (FMEA). Geneva, 1.0 edition, 1985. [53] IEC61882. Hazard and operability studies (HAZOP studies) - Application guide. Geneva, 1.0 edition, 2001. [54] G. Ingram and I. T. Cameron. Challenges in multiscale modelling and its applications to granulation systems. In 9th APCChE Congress and CHEMECA 2002, 29 Sept - 3 Oct 2002, Christchurch, New Zeland, 2002. [55] G. D. Ingram. Multiscale modelling and analysis of process systems. PhD thesis, Division of Chemical Engineering, School of Engineering, The University of Queensland, 2006. [56] G. D. Ingram, I. T. Cameron, and K. M. Hangos. Classification and analysis of integrating frameworks in multiscale modelling. Chemical Engineering Science, 59(11):2171–2187, 2004. [57] G. D. Ingram, I. T. Cameron, F. Y. Wang, C. D. Immanuel, and F. Stepanek. Challenges in multiscale modelling and its application to granulation systems. Development in Chemical Engineering and Mineral Processing, 12:293–308, 2004. [58] R. Isermann. Process fault diagnosis based on dynamic models and parameter estimation methods. Prentice Hall, 1989. [59] R. Isermann. Model-based fault-detection and diagnosis - status and applications. Annual Reviews in Control, 29(1):71–85, 2005. [60] P. Jackson. Introduction to Expert Systems. Harlow UK: Addison-Wesley, 1998.

VIII

[61] K. Jensen. Coloured Petri Nets. Basic Concepts, Analysis Methods and Practical Use. Volume 1, Basic Concepts. Monographs in Theoretical Computer Science. Springer-Verlag, 1997. [62] K. Jensen. Coloured Petri Nets. Basic Concepts, Analysis Methods and Practical Use. Volume 2, Analysis Methods. Monographs in Theoretical Computer Science. Springer-Verlag, 1997. [63] K. Jensen. Coloured Petri Nets. Basic Concepts, Analysis Methods and Practical Use. Volume 3, Practical Use. Monographs in Theoretical Computer Science. Springer-Verlag, 1997. [64] K. Jensen and G. Rosenberg. High-level Petri nets: Theory and Application. Springer-Verlag, 1991. [65] T. A. Kletz. Hazop and Hazan - Identifying and assessing process industry hazard. The Institution of Chemical Engineers, Rugby, U.K., 4. edition, 2003. [66] R. E. Knowlton. Hazard and operability studies : the guide word approach. Chemetics International, Vancouver, Canada, 1989. [67] R. E. Knowlton. A manual of hazard and operability studies. Chemetics International, Vancouver, Canada, 1992. [68] M. A. Kramer and R. S. H. Mah. Model-based monitoring. In D. Rippin, J. Hale, and J. Davis, editors, Proceedings of the second international conference on ’foundations of computer-aided process operations’ (FOCAPO), pages 45–68, 1993. [69] A. Kumar and P. Daoutidis. Nonlinear dynamics and control of process systems with recycle. Journal of Process Control, 12:475–484, 2002. [70] R. Lakner, K. M. Hangos, and I. T. Cameron. On minimal models of process systems. Chemical Engineering Science, 60:1127–1142, 2005. [71] C. A. Lakos. The role of substitution places in herarchical coloured Petri nets. Technical Report TR93-7, Computer Science Department, University of Tasmania, 1993. [72] B. Lantos. Fuzzy systems and genetic algorithms. Műegyetemi Kiadó, 2002. [73] M. Laser. Recent safety and environmental legislation. Transactions IChemE, 78(B):419–422, 2000. [74] A. Leitold, K. M. Hangos, and Z. Tuza. Structure simplification of dynamic process models. Journal of Process Control, 12:69–83, 2000. [75] D. Leung and J. Romagnoli. Dynamic probabilistic model-based expert system for fault diagnosis. Computers and Chemical Engineering, 24(11):2473–2492, 2000.

IX

[76] J. D. Litster and B. J. Ennis. The science and engineering of granulation processes. Particle Technology Series. Kluwer Academic Publishers, Dordrecht, The Netherlands, 2004. [77] S. Mannan, editor. Lees’ Loss Prevention in the Process Industries, volume 1, chapter 8. Butterworth-Heinemann, Oxford, U.K., 3 edition, 2004. [78] W. Marquardt, L. von Wedel, and B. Bayer. Perspectives on lifecycle modeling. In M. F. Malone, J. A. Trainham, and B. Carnahan, editors, Fifth International Conference on Foundations of Computer-Aided Process Design [AIChE Symposium Series 96(323)], pages 192–214, New York, 2000. American Institute of Chemical Engineers. [79] J. McCarthy. Programs with common sense. In Proceedings of the Teddington Conference on the Mechanization of Thought Processes, London: Her Majesty’s Stationery Office, 1959. [80] S. McGahey and I. T. Cameron. Model transformations in multi scale modelling. In Johan Grievink and Jan van Schijndel, editors, European Symposium on Computer Aided Process Engineering (ESCAPE)-12, pages 925–930, The Hague, The Netherlands, 2002. Elsevier Science. [81] T. Murata. Petri nets: properties, analysis and applications. Proceedings of the IEEE, 77(4):541–574, Apr 1989. [82] R. B. Newell and I. T. Cameron. Daesim Modelling and Simulation: User’s guide, Daesim Technologies Pty. Ltd., 2004. http://www.daesim.com. [83] H. Németh, L. Palkovics, and K. M. Hangos. Unified model simplification procedure applied to a single protection valve. Control Engineering Practice, 13(3):315–326, 2005. [84] H. S. Nwana, D. T. Ndumu, and L. C. Lee. ZEUS: An advanced tool-kit for engineering distributed multi-agent systems. In Proceedings of PAAM98, 1998. [85] M. S. Ouali, D. Ait-Kadi, and N. Rezg. Fault diagnosis model based on Petri net with fuzzy colors. Computers and Industrial Engineering, 37(1-2):173–176, 1999. [86] C. C. Pantelides. New challenges and opportunities for process modelling. In R. Gani and S.B. Jorgensen, editors, European Symposium on Computer Aided Process Engineering (ESCAPE)-11, 27-30 May 2001, pages 15–26, Kolding, Denmark, 2001. Elsevier Science. [87] J. L. Peterson. Petri net theory and the modeling of systems. Englewood Cliffs, NJ: Prentice-Hall, Inc., 1981.

X

[88] C. A. Petri. Kommunikation mit Automaten. PhD thesis, Schriften des IIM Nr. 2, Institut für Instrumelle Mathematik, Bonn, 1962. English translation: Technical Report RADC-TR-65-377, Griffiths Air Force Base, New York, Vol. 1, Suppl. 1, 1966. [89] C. Piccardi and F. Wotawa. A communication language and the design of a diagnosis agent – Towards a framework for mobile diagnosis agents. Lecture Notes in Artificial Intelligence 1611, IEA/AIE-99, pages 420–429, 1999. [90] L. Portinale. Exploiting T-invariant analysis in diagnostic reasoning on a Petri net model. In Ajmone Marsan, M., editor, Lecture Notes in Computer Science; Application and Theory of Petri Nets 1993, Proceedings 14th International Conference, Chicago, Illinois, USA, volume 691, pages 339–356. Springer-Verlag, 1993. [91] Y. Power and P. A. Bahri. A two-step supervisory fault diagnosis framework. Computers and Chemical Engineering, 28(11):2131–2140, 2004. [92] T. E. Quantrille and Y. A. Liu. Artificial intelligence in chemical engineering. Academic Press, San Diego, LA., 1991. [93] T. S. Ramesh, J. F. Davis, and G. M. Schwenzer. Knowledge-based diagnostic systems for continuous process operations based upon the task framework. Computers and Chemical Engineering, 16(2):109–127, 1992. [94] T. S. Ramesh, S. K. Shum, and J. F. Davis. A structured framework for efficient problem-solving in diagnostic expert systems. Computers and Chemical Engineering, 9-10(12):891–902, 1988. [95] S. H. Rich and V. Venkatasubramanian. Model-based reasoning in diagnostic expert systems for chemical process plants. Computers and Chemical Engineering, 11:111–122, 1987. [96] C. Rojas-Guzman and M. A. Kramer. Comparison of belief networks and rule-based systems for fault diagnosis of chemical processes. Engineering Applications of Artificial Intelligence, 3(6):191–202, 1993. [97] N. Roos, A. ten Teije, and C. Witteveen. Reaching diagnostic agreement in multi-agent diagnosis. In AAMAS’04, New York, USA, 2004. [98] D. Ruiz, J. Cantón, J. M. Nougués, A. Espuńa, and L. Puigjaner. On-line fault diagnosis system support for reactive scheduling in multipurpose batch chemical plants. Computers and Chemical Engineering, 25(4-6):829–837, 2001. [99] S. Russell and R. Norvig. Artificial Intelligence: A Modern Approach. Prentice Hall, New Jersey, 2003. 2nd edition. [100] M. Schroeder, C. V. Damasio, and L. M. Pereira. REVISE Report: An architecture for a diagnosis agent. In ECAI-96 Workshop on Integrating NonMonotonicity into Automated Reasoning Systems, Budapest, Hungary, 1996. XI

[101] R. Srinivasan and V. Venkatasubramanian. Experience with an expert system for automated HAZOP analysis. Computers and Chemical Engineering, 20:S719–S725, 1996. [102] R. Srinivasan and V. Venkatasubramanian. Automating HAZOP analysis of batch chemical plants: Part I. The knowledge representation framework. Computers and Chemical Engineering, 22(9):1345–1355, 1998. [103] R. Srinivasan and V. Venkatasubramanian. Automating HAZOP analysis of batch chemical plants: Part II. Algorithms and application. Computers and Chemical Engineering, 22(9):1357–1370, 1998. [104] M. Stefik. Introduction to Knowledge Systems. San Fransisco CA: Morgan Kaufmann, 1995. [105] Z. Szabó, J. Bokor, and G. J. Balas. Inversion of LPV systems and its application to fault detection. In Proceedings of the 5th IFAC symposium on fault detection, supervision and safety of technical processes. SAFEPROCESS 2003, pages 235–240, Washington, 2003. [106] A. Szücs, M. Gerzson, and K. M. Hangos. An intelligent diagnostic system based on Petri nets. Computers and Chemical Engineering, 20(S1):S635–S640, 1996. [107] A. Szücs, M. Gerzson, and K. M. Hangos. An intelligent diagnostic system based on Petri nets. Computers and Chemical Engineering, 22(9):1335–1344, 1998. [108] E. Tarifa and N. Scenna. Fault diagnosis, directed graphs, and fuzzy logic. Computers and Chemical Engineering, 21(S):S649–S654, 1997. [109] L. H. Ungar and V. Venkatasubramanian. Artificial intelligence in process systems engineering: knowledge representation. CACHE, Austin, TX., 1990. [110] M. Uschold and M. Gruninger. Ontologies: principles methods and applications. Knowledge Engineering Review, 11:93–155, 1996. [111] R. Vaidhyanathan and V. Venkatasubramanian. Digraph-based models for automated HAZOP analysis. Reliability Engineering and System Safety, 50(1):33–49, 1995. [112] R. Vaidhyanathan and V. Venkatasubramanian. A semi-quantitative reasoning methodology for filtering and ranking HAZOP results in HAZOPExpert. Reliability Engineering and System Safety, 53(2):185–203, 1996. [113] R. Vaidhyanathan and V. Venkatasubramanian. Experience with an expert system for automated hazop analysis. Computers and Chemical Engineering, 20:S1589–S1594, 1996. [114] H. Vedam and V. Venkatasubramanian. Signed digraph based multiple fault diagnosis. Computers and Chemical Engineering, 21(S):S655–S660, 1997. XII

[115] V. Venkatasubramanian, R. Rengaswamy, and S. N. Kavuri. A review of process fault detection and diagnosis Part II: Qualitative models and search strategies. Computers and Chemical Engineering, 27:313–326, 2003. [116] V. Venkatasubramanian, R. Rengaswamy, S. N. Kavuri, and K. Yin. A review of process fault detection and diagnosis Part III: Process history based methods. Computers and Chemical Engineering, 27:327–346, 2003. [117] V. Venkatasubramanian, R. Rengaswamy, K. Yin, and S. N. Kavuri. A review of process fault detection and diagnosis Part I: Quantitative model-based methods. Computers and Chemical Engineering, 27:293–311, 2003. [118] Y. F. Wang, J. Y. Wu, and C. T. Chang. Automatic hazard analysis of batch operations with Petri nets. Reliability Engineering and System Safety, 76(1):91–104, 2002. [119] M. Wo, W. Gui, D. Shen, and Y. Wang. Export fault diagnosis using role models with certainty factors for the leaching process. In In Proceedings of the Third World Congress on Intelligent Control and Automation, pages 238–241, Hefei, China, 2000. [120] H. Wörn, T. Längle, M. Albert, A. Kazi, A. Brighenti, Santiago Revuelta Seijo, C. Senior, Miguel Angel Sanz Bobi, and Jose Villar Collado. DIAMOND: Distributed multi-agent architecture for monitoring and diagnosis. Production Planning and Control, 15:189–200, 2004. [121] A. Yang, W. Marquardt, I. Stalker, E. Fraga, M. Serra, and D. Pinol. Principles and informal specification of OntoCAPE. Technical report, COGents project, WP2, 2003. [122] B. S. Yang, S. K. Jeong, Y. M. Oh, and A. C. C. Tan. Case-based reasoning system with Petri nets for induction motor fault diagnosis. Expert Systems with Applications, 27(2):301–311, 2004. [123] J. Yang, Montakhab M, A. G. Pipe, B. Carse, and T. S. Davies. Application of multi-agent technology to fault diagnosis of power distribution systems. In Proceedings of Engineering of Intelligent Systems (EIS 2004), Island of Madeira, Portugal, 2004. [124] J. Zhang and P. Roberts. Process fault diagnosis with diagnostic rules based on structural decomposition. Journal of Process Control, 1(5):259–269, 1991. [125] J. Zhao, B. Chen, and J. Shen. A hybrid ANN-ES system for dynamic fault diagnosis of hydrocracking process. Computers and Chemical Engineering, 21(S):S929–S933, 1997. [126] R. Zouakia, D. Bouami, and M. Tkiouat Mohamed. Industrial systems maintenance modelling using Petri nets. Reliability Engineering and System Safety, 65(2):119–124, 1999.

XIII