화학공장은 수많은 장치들로 구성되어 있고 매우 복잡한 구조를 가지고 있다. 특히 분산 제어 시스템(Distributed Control System, DCS)이나 공정 정보 시스템(Process Information System, PIS) 등을 설치하여 매분 또는 매초 단위로 공정 데이터를 얻고 있다. 화학공장의 경우, 데이터들의 방대한 양 뿐 만 아니라 데이터들간의 상호 연관성이 크고 재순환이나 화학 반응 등으로 인하여 막대한 계산량 및 비선형성을 지니기 때문에 효과적 분석에 곤란한 점이 있다. 따라서 본 연구에서는 함수연결연상 신경망을 이용하여 입력변수들을 확장함으로써 신경망의 비선형성 표현능력과 학습능력이 뛰어난 프로그램의 개발에 주안점을 두고 있다. REFA (Real Time Fault Analyzer)는 실시간으로 공정정보를 입력받은 후 입력값을 PC로 매핑하고, 이를 다시 역으로 매핑하여 입력값을 예측하여 공정을 감시하는 시스템으로 개발되었으며, Tennessee Eastman 공정에 적용해 우수성을 입증하였다.
화학공장은 수많은 장치들로 구성되어 있고 매우 복잡한 구조를 가지고 있다. 특히 분산 제어 시스템(Distributed Control System, DCS)이나 공정 정보 시스템(Process Information System, PIS) 등을 설치하여 매분 또는 매초 단위로 공정 데이터를 얻고 있다. 화학공장의 경우, 데이터들의 방대한 양 뿐 만 아니라 데이터들간의 상호 연관성이 크고 재순환이나 화학 반응 등으로 인하여 막대한 계산량 및 비선형성을 지니기 때문에 효과적 분석에 곤란한 점이 있다. 따라서 본 연구에서는 함수연결연상 신경망을 이용하여 입력변수들을 확장함으로써 신경망의 비선형성 표현능력과 학습능력이 뛰어난 프로그램의 개발에 주안점을 두고 있다. REFA (Real Time Fault Analyzer)는 실시간으로 공정정보를 입력받은 후 입력값을 PC로 매핑하고, 이를 다시 역으로 매핑하여 입력값을 예측하여 공정을 감시하는 시스템으로 개발되었으며, Tennessee Eastman 공정에 적용해 우수성을 입증하였다.
To operate process plant safely and economically, process monitoring is very important. There are a great number of data acquired through distributed control system and process information system. Fault monitoring is the task with difficulties owing to not only the huge amount of data, but also nonl...
To operate process plant safely and economically, process monitoring is very important. There are a great number of data acquired through distributed control system and process information system. Fault monitoring is the task with difficulties owing to not only the huge amount of data, but also nonlinearity of chemical processes. In this research, the program, REFA, based on PCA and functional link associative neural network has developed. REFA has better learning capabilities, generalization abilities, and shorter learning time than existing neural network programs. In this work its usefulness has proven by application to Tennessee Eastman process.
To operate process plant safely and economically, process monitoring is very important. There are a great number of data acquired through distributed control system and process information system. Fault monitoring is the task with difficulties owing to not only the huge amount of data, but also nonlinearity of chemical processes. In this research, the program, REFA, based on PCA and functional link associative neural network has developed. REFA has better learning capabilities, generalization abilities, and shorter learning time than existing neural network programs. In this work its usefulness has proven by application to Tennessee Eastman process.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 시스템은 화학공정의 DCS(Distributed Control System)을 통해 얻어지는 많은 양의 데이터를 전송받아 저장하는 Data Transfer module과 데이터를 확장을 통하여 비선형성을 효과적으로 표현하기 위한 Functional Link Associative Network Module 및 공정이상 유무를 판단하는 Detection Module로 이루어져 있다. [5]
본 연구는 기존의 자동연상 신경망의 경우 5단의 구성을 가지고 있어서 학습시 곤란한 점을 극복하기 위하여 지식 표현 능력을 확장시킨 함수 연결의 개념을 도입하여, 입력변수를 확장시킨 함수연결연상 신경망을 구현하였다. 입력변수의 내적을 통하여 추가적인 입력을 생성하여 입력 공간을 확장시킴으로 신경망의 표현 능력을 향상시킬 수 있었다.
본 연구에서는 화학공정의 비선형성을 고려하여 비선형성을 효과적으로 표현할 수 있도록 자동연상 신경망 (Autoassociative Neural Network; ANN) 에 Pao에 의해 제안된 함수 연결 (functional link)개념을 도입하여 입력공간을 확장시킨 함수연결연상 신경망 (Functional-Link- Associative Neural Network; FLAN)을 이용하여 비선형 PCA를 구축하고[3] 이를 이용하여 이상감지를 수행하는 알고리듬을 개발하여 화학공정의 실시간 감시 시스템을 구축하고자 한다.
제안 방법
7은 REFA 의 초기 시행화면이다. 구현된 시스템은 서버로부터 데이터를 실시간으로 입력받고 이를 통하여 함수연결연상 신경망을 구성한 후 공정 감시를 실시한다.
본 연구에서 사용한 함수연결연상 신경망에서는 입력층(input layer)과 출력층(output layer)중에서 입력층만을 확장시키는 방법을 사용하였다. 하나의 예를 들어 다음과 같은 관계를 갖는 3개의 입력 XI, X2, X3을 생각해보자.
본 연구에서는 Kramer가 제안한 자동연상신경망을 바탕으로 신경망을 이용하여 비선형 PCA 혹은 비선형 PLS 구현하고 이를 화학공정에 적용하였다. 즉, 신경망을 이용한 입력-입력 모델, 입력-출력 모델을 통해 매개변수나 미측정 변수를 주정하고 이를 통하여 이상의 감지를 수행하였다.
자동연상 신경망과 동일하게 mapping layer과 demapping layer에서는 비선형 활성함수(Nonlinear activation function)를 사용하였고, 병목층(bottle neck)과 출력층에서는 비선형 혹은 선형 활성함수를 사용하였다. 이때, 중간의 병목층이 바로 PC에 해당한다.
적용하였다. 즉, 신경망을 이용한 입력-입력 모델, 입력-출력 모델을 통해 매개변수나 미측정 변수를 주정하고 이를 통하여 이상의 감지를 수행하였다. 매개변수나 미측정 변수의 추정은 앞서 살펴본 바와 같이 다양한 추정자를 통해서도 수행될 수 있는데, 여기서 사용하는 비선형 PCA는 추정자의 관점에서는 전역적인 방법이다.
대상 데이터
본 연구의 대상공정은 공정 제어 기법이나 최적화, 이상 진단 등의 평가를 위하여 Downs와 Vogel에 의하여 제시된 Eastman 사의 Tennessee Eastman공정(Fig. 12)을 실제적으로 모사한 공정을 대상으로 연구를 수행하였다. Tennessee Eastman 공정은 41개의 측정변수와 12개의 조작변수를 가지고 있는 비교적 복잡한 공정으로 A, C, D, E의 4가지의 반응물로부터 G, H의 두 가지가 생성된다.
이론/모형
eigen value는 PC로부터 데이터를 다시 복원할 때 해당하는 데이터에 대한 가중치의 역할을 하게 된다. 해당하는 PC를 구하는 방법으로는 SVD (Singular value decomposition) 방법과 NIPALS (Nonlinear iterative partial least squares) 방법이 사용된다.
성능/효과
이는 반응이 적게 일어나게 되면 생산량이 줄어들게 되므로 생산물 유량을 제어하는 제어기의 작동에 의하여 A와 C 를 공급하는 4번 흐름의 밸브를 조절하여 공급량을 늘려가게 되고 이로 인하여 비정상적으로 스트리퍼의 압력과 stream flow를 증가시킴으로 해서 이상이 발생한 결과이다. A+C 의 공급량 증가로 인한 공정 변수들의 이상을 효과적으로 잡아낼 수 있었다.
본 연구에서 구현된 시스템을 Tennessee Eastman 공정에 적용해본 결과 이상 변수들을 효과적으로 감지 할 수 있었다. 따라서 기존의 자동연상 신경망에 비하여 학습능력이나 일반화 능력을 향상시킨 시스템을 구현할 수 있었다.
입력변수의 내적을 통하여 추가적인 입력을 생성하여 입력 공간을 확장시킴으로 신경망의 표현 능력을 향상시킬 수 있었다. 본 연구에서 구현된 시스템을 Tennessee Eastman 공정에 적용해본 결과 이상 변수들을 효과적으로 감지 할 수 있었다. 따라서 기존의 자동연상 신경망에 비하여 학습능력이나 일반화 능력을 향상시킨 시스템을 구현할 수 있었다.
입력변수의 내적을 통하여 추가적인 입력을 생성하여 입력 공간을 확장시킴으로 신경망의 표현 능력을 향상시킬 수 있었다. 본 연구에서 구현된 시스템을 Tennessee Eastman 공정에 적용해본 결과 이상 변수들을 효과적으로 감지 할 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.