최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기Korean chemical engineering research = 화학공학, v.58 no.2, 2020년, pp.224 - 229
이창송 (LG화학 기술연구원) , 이규황 (LG화학 기술연구원) , 이호경 (LG화학 기술연구원)
We propose a machine learning-based method for proactively detecting faults in LDPE processes and predicting equipment lifespan. It is important to detect and prevent unexpected faults in chemical processes in order to maximize safety and productivity. Since LDPE process is a high-pressure process u...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
일반적으로 LDPE는 어떻게 분류되어 생산이 되는가? | LDPE는 homo-polymer, copolymer 및 첨가제 포함 제품을 비롯하여 광범위한 용도와 가공에 적용된다. 일반적으로, 필름용, 압출코팅용, injection molding용, cable & wire용, blow molding용으로 구분되어 생산된다. | |
화학공장에서 말하는 '이상'이란 무엇인가? | 화학공장에서 보다 안전성이 우수한 공정을 갖추기 위해서는 이상의 원인을 조기에 감지하고 원인을 해결하여, 생산과 품질에 영향이 없도록 유지하는 능력을 갖추는 것이 필요하다. 여기서 말하는 이상은 물리적 고장, 교란, 작업자의 오류 등의 이유로 말미암아, 공정이 정상 상태를 벗어나는 경우를 의미한다. 예상치 못한 센서 및 제어기의 고장(malfunction), 오염(fouling), 막힘(blockage), 누출 (leaking), 원료의 변화, 유틸리티의 변화 등이 이에 해당한다. | |
화학 공정의 이상을 감지 및 진단하는 방법은 무엇인가? | 화학 공정 내에는 많은 순환 흐름과 제어 루프가 존재하기 때문에 이상을 감지하는 것은 쉽지 않다. 화학 공정의 이상을 감지 및 진단하는 방법은 공정 지식을 얻는 방법에 따라 모델 기반과 데이터 기반 방법으로 나누어지며, 각각 지식의 형태에 따라 정량적, 정성적 방법으로 나눌 수 있다[1-3]. 모델 기반 방법론은 공정을 에너지, 물질 수지식 등을 비롯한 물리, 화학적인 이론에 기반하여 모델링 한 후, 실제 데이터와 예측 결과를 비교하여 이상의 원인을 진단하는 방법이다. |
Venkatasubramanian, V., Rengaswamy, R., Yin, K. and Kavuri, S. N., "A Review of Process Fault Detection and Diagnosis: Part I: Quantitative Model-based Methods," Comput. Chem. Eng., 27, 293-311(2003).
Venkatasubramanian, V., Rengaswamy, R. and Kavuri, S. N., "A Review of Process Fault Detection and Diagnosis: Part II: Qualitative Models and Search Strategies," Comput. Chem. Eng., 27, 313-326(2003).
Venkatasubramanian, V., Rengaswamy, R., Kavuri, S. N. and Yin, K., "A Review of Process Fault Detection and Diagnosis: Part III: Process History Based Methods," Comput. Chem. Eng., 27, 327-346(2003).
Li, H., Wang, H. and Fan, W., "Multimode Process Fault Detection Based on Local Density Ratio-weighted Support Vector Data Description," Ind. Eng. Chem. Res., 56, 2475-2491(2017).
Gajjar, S. and Palazoglu, A., "A Data-driven Multidimensional Visualization Technique for Process Fault Detection and Diagnosis," Chemometrics and Intelligent Laboratory Systems, 154, 122-136 (2016).
Zhang, Z. and Zhao, J., "A Deep Belief Network Based Fault Diagnosis Model for Complex Chemical Processes," Comput. Chem. Eng., 107, 395-407(2017).
Liu, K., Fei, Z., Yue, B., Liang, J. and Lin, H., "Adaptive Sparse Principal Component Analysis for Enhanced Process Monitoring and Fault Isolation," Chemometrics and Intelligent Laboratory Systems, 146, 426-436(2015).
Adedigba, S. A., Khan, F. and Yang, M., "Dynamic Failure Analysis of Process Systems Using Principal Component Analysis and Bayesian Network," Ind. Eng. Chem. Res., 56, 2094-2106(2017).
He, Q. P. and Wang, J., "Statistical Process Monitoring as a Big Data Analytics Tool for Smart Manufacturing," Journal of Process Control, 67, 35-43(2018).
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.