طراحی سیستم هوشمند در تشخیص FAULT و علت یابی آن در فرآیندهای شیمیایی/ نفتی

نوع مقاله : ترویجی

نویسندگان

1 مدیر فناوری اطلاعات و ارتباطات، شرکت ملی پالایش و پخش فراورده های نفتی ایران، تهران، ایران

2 دپارتمان مهندسی الکترونیک، دانشگاه صنعت نفت، ایران

چکیده

مقاله حاضر روشی جهت تشخیص عیب / خطا در فرآیندهای شیمیایی/ نفتی در حالت ماندگار کار آن‌ها توسط شبکه‌های عصبی مصنوعی ارائه می‌دهد. کارایی شبکه عصبی "پس انتشار خطا" را می‌توان با افزودن تعدادی واحدهای تابعی به لایه ورودی آن بهبود بخشید. این تکنیک باعث می‌شود توانائی شبکه عصبی، جهت ارائه روابط غیر خطی و خیلی پیچیدة موجود بین الگوهای عملکردی فرآیند افزایش یافته و تشخیص همزمان خطاهای چند‌گانه، علت‌های وقوع  و درجه سختی آنها را در فرآیند مورد نظر میسر می‌سازد. استفاده از منطق فازی در تشخیص عیب و علت‌یابی آن از نتایج مشابهی برخوردار است. در اجرای این تحقیق بر روی فرآیند‌های شیمیایی / نفتی از یک فرآیند نمونه تبدیل هپتان به تولوئن استفاده شده که نتایج حاصل از شبیه‌سازی این فرآیند، نشان دهنده قابلیت‌های موفقیت آمیز این سیستم هوشمند در محیط‌های صنعتی می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Design of An Intelligent System for Fault Diagnosis in Chemical and Petrochemical Processes

نویسندگان [English]

  • Majid Farzad 1
  • Karim Salahshoor 2
1 National Iranian Oil Refining & Distribution Company (NIORDC), Tehran, Iran
2 Dept. of Electrical Engineering, Petroleum University of Technology, Iran
چکیده [English]

In this paper, we present an intelligent operator support system (IOSS) for detection of process upsets and determining their causes .The system uses a simple conventional back-propagation (BP) artificial neural network (ANN) to achieve its diagnostic purposes. However, the capability of the proposed methodology is enhanced to simultaneously diagnose multiple faults and their severity levels via employing a number of functional units to the network input layer. The effectiveness of the proposed approach has been examined through simulation study of a Heptane-to-Toluene process in steady state operation.

کلیدواژه‌ها [English]

  • Artificial neural network
  • learning
  • Performance Patterns
  • Severity Level
  • back-propagation (BP) artificial neural network