Predikción alapuló diagnosztika

mesterséges intelligencia módszerek

felhasználásával

DOKTORI (PhD) ÉRTEKEZÉS

Készítette: Németh Erzsébet

Témavezető: Dr. Hangos Katalinegyetemi tanár

Pannon EgyetemMűszaki Informatikai Kar

Informatikai Tudományok Doktori Iskola

2006

Predikción alapuló diagnosztika mesterségesintelligencia 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 meghibá-sodása elkerülhetetlen. Hibás működés esetén pedig elengedhetetlen, hogy minélgyorsabban és pontosabban lokalizálni lehessen az esetleges hibát, majd ezen infor-máció birtokában meg lehessen akadályozni az abnormális események tovaterjedésétés csökkenteni a termeléskiesést. Mint a legtöbb mérnöki területen, így a folyamat-rendszerekben is fontos szerepet tölt be és az utóbbi időben egyre inkább előtérbekerül a hiba detektálás és diagnosztika.

Az operátorok megfelelően magas szintű szaktudása esetleges hiányának pótlá-sára olyan intelligens rendszerek támogatása szükséges, amelyek biztosítják a rend-szer vagy üzem biztonságos működését. Ezért a disszertáció célja a nagyméretű ésbonyolult vegyi üzemekben (folyamatrendszerekben) alkalmazható intelligens diag-nosztikai módszerek kutatása, fejlesztése és vizsgálata.

A disszertációban a szerző bemutat egy színezett Petri háló alapú diagnosztikaikeretrendszert, amely egységes, homogén reprezentációját adja a predikción alapulódiagnosztikai rendszer valamennyi szükséges tudáselemének.

A szerző ismertet egy predikción alapuló diagnosztikai szakértői rendszert is,amely a diagnosztizálandó rendszerről rendelkezésre álló szakértői tudást oly módontudja tárolni, hogy azokon következtetéseket lehessen végrehajtani, képes rendszerhibákat vagy meghibásodásokat azonosítani és a többléptékű modell megfelelő ré-szére fókuszálni.

A disszertációban a szerző végül bemutatja a predikción alapuló diagnosztikamulti-ágens rendszerrel történő megvalósítását. A diagnosztikai rendszerben lévőfeladatokat egymással kommunikáló ágensek formájában valósítja meg. Az egysé-ges tudás ábrázolását és az ágensek közötti kommunikáció elősegítését ontológiákfelhasználásával szervezi.

A szerző ezen kívül ismertet egy, a predikción alapuló diagnosztika elvégzéséhezszükségessé vált többléptékű folyamatmodelleket egyszerűsítő eljárást, amely diag-nosztikai célra alkalmas és a mérnöki gyakorlatban szokásos egyszerűsítő lépésekethasznál fel.

Abstract

Prediction based diagnosis using artificial intelligencemethods

The goal of this dissertation is to research, develop and investigate intelligent diag-nostic 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 diagnosticsystem.

Additionally, a prediction based diagnostic expert system is described, in whichthe available expert knowledge of the diagnosed system for making inferences isstored. This way identifying system faults or failures, and focusing on the corre-sponding part of the multi-scale model is possible.

Afterwards, a multi-agent realization of the prediction based diagnostic systemis discussed. The tasks in the diagnostic system are solved by agents communicatingwith each other. The unified knowledge representation and the agents’ communica-tion are promoted by using ontologies.

For the prediction based diagnosis a simplification method of the multi-scaleprocess system models is proposed, which matches the diagnostic goals and usessimplification methods applied in engineering practice.

Auszug

Prediktionsbasierte Diagnostik mit Verwendung vonkünstlichen Intelligenzverfahren

Diese Dissertation befaßt sich mit Forschung, Entwicklung und Analysis von beigroßmaßstäblichen, komplexen Chemiefabriken (Prozessysteme) anwendbaren intel-ligenten Diagnostikverfahren.

Die Verfasserin der Dissertation stellt ein auf farbige Petrische-Netzen basierendeDiagnoserahmensystem dar, das eine einheitliche und homogene Repräsentation allernötigen Kenntniselementen der prediktionsbasierte Diagnostiksystem aufweist.

Ferner führt die Verfasserin eine prediktionsbasierte Diagnostikexpertensystemvor, das die vom zu diagnostisierenden System zur Verfügung stehende Experten-kenntiniss derart speichern kann, daß man daraus Folgerungen durchführen kann,weiterhin es kann die unterschiedlichen Fehler identifizieren und auf das entspre-chende Teil des mehrstufigen Modells fokussieren.

Letztens wird eine mit einem Multiagentsystem realisierte prediktionsbasierteDiagnostik dargestellt. Die im Diagnostiksystem realisierte Aufgaben sind dabei inder Form von mit einander kommunizierenden Agenten verwirklicht. Die Darstellungder einheitlichen Kenntnis und die Unterstützung der Kommunikation zwischen denAgenten werden durch Verwendung von Ontologie organisiert.

Weiterhin ein zur prediktionsbasierende Diagnostik benötigte Vereinfachungspro-zess von mehrstufigen Prozessmodellen wird auch dargestellt, der zur Diagnostiks-zwecken 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 segítségetnyútott, ellátott hasznos tanácsokkal és türelmesen irányította munkámat.

Külön köszönettel tartozom Piglerné Dr. Lakner Rozáliának (Pannon Egyetem,Számítástudomány Alkalmazása Tanszék), több cikkem társszerzőjének, hogy ta-pasztalatával segítette munkám előrehaladását.

Szeretném megköszönni Prof. Ian T. Cameron-nak (The University of Queens-land, Australia) kutatásaimhoz nyújtott támogatását és a lehetőséget, hogy meghí-vására 3 hónapot Brisbane-ben, az Egyetemen tölthettem, így biztosítva a kutatá-somhoz szükséges konzultációs lehetőségeket.

Hálával tartozom Gordon D. Ingram-nak és Bogdan Balliu-nak, hogy Ausztráliá-ba érkezésen után segítették beilleszkedésemet és barátként mellettem állva könnyeb-bé tették a távollétet szeretteimtől.

Köszönöm a Magyar Tudományos Akadémia Számítástechnikai és Automatizálá-si Kutató Intézet Rendszer- és Irányításelméleti Kutató Laboratórium vezetőjének,Dr. Bokor Józsefnek, hogy biztosította a kutatási lehetőséget, valamint kutatótár-saimnak, Dr. Bartha Tamásnak, Fazekas Csabának, Károlyi Imrének, Kovács Ákos-nak, Dr. Kulcsár Balázsnak, Magyar Attilának, Péni Tamásnak, Pongrácz Bar-nának, Dr. Szederkényi Gábornak, Varga Istvánnak, Weinhandl Zsuzsannának azegyüttműködést. Továbbá köszönöm a Laboratórium minden munkatársának a mun-kámhoz nyújtott segítséget.

Köszönöm a Pannon Egyetem Számítástudomány Alkalmazása Tanszék munka-társainak az együttműködést.

Köszönettel tartozom a Knorr-Bremse Fékrendszerek Kft-től Dr. Ailer Piroská-nak, Bordács Zoltánnak és Dr. Németh Hubának a közös munkáink során nyújtottszakmai támogatásért.

Végül, de nem utolsó sorban, szeretném megköszönni szüleimnek, családomnak,páromnak és családjának, hogy bíztattak és minden támogatást megadtak célomeléréséhez.

Tartalomjegyzék

1. Bevezetés 11.1. Célkitűzés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.2. Az értekezés szerkezete . . . . . . . . . . . . . . . . . . . . . . . . . . 31.3. Jelölések . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2. A felhasznált eszközök és módszerek 52.1. A predikción alapuló diagnosztika alapjai . . . . . . . . . . . . . . . . 5

2.1.1. A hibadetektálási és -diagnosztikai technikák áttekintése . . . 52.1.2. A predikción alapuló diagnosztika rendszerelméleti megköze-

lítésben . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72.1.3. A predikción alapuló diagnosztika tudásalapú megközelítésben 10

2.2. Veszélyelemzés, veszélyazonosítás . . . . . . . . . . . . . . . . . . . . 122.2.1. Működőképesség- és veszélyelemzés (HAZOP) . . . . . . . . . 132.2.2. Meghibásodásmód és -hatás elemzése (FMEA) . . . . . . . . . 13

2.3. Többléptékű modellezés . . . . . . . . . . . . . . . . . . . . . . . . . 142.3.1. Időskála, méretskála és skálatérkép . . . . . . . . . . . . . . . 152.3.2. A többléptékű modellezés lépései . . . . . . . . . . . . . . . . 15

2.4. Többléptékű modellek diagnosztikai célvezérelt modellezése és szimu-lációja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162.4.1. Folyamatmodellezés . . . . . . . . . . . . . . . . . . . . . . . . 172.4.2. Diagnosztika, mint többléptékű modellezési cél . . . . . . . . . 172.4.3. Többléptékű folyamatmodellek modellezési hierarchiája . . . . 182.4.4. Szimptóma hierarchia . . . . . . . . . . . . . . . . . . . . . . . 182.4.5. Egy célvezérelt felülről lefelé haladó modellezési megközelítés . 19

2.5. Egy konkrét folyamatrendszer: granulátor kör . . . . . . . . . . . . . 202.5.1. Granulátor kör . . . . . . . . . . . . . . . . . . . . . . . . . . 202.5.2. A granulátor dob berendezés szintű modellje . . . . . . . . . . 212.5.3. Egy granulátor kör skálatérképe . . . . . . . . . . . . . . . . . 242.5.4. Granulátor dob: szintek, változók és mechanizmusok . . . . . 252.5.5. A granulátor dob modellhez kapcsolódó változók és szimptómák 262.5.6. A granulátor kör HAZOP táblája . . . . . . . . . . . . . . . . 26

3. Predikción alapuló diagnosztika Petri hálókkal 313.1. Petri hálók . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.1.1. Alacsony szintű Petri hálók . . . . . . . . . . . . . . . . . . . 313.1.2. Kiterjesztett Petri hálók . . . . . . . . . . . . . . . . . . . . . 35

i

3.2. Petri hálók diagnosztikai alkalmazásai . . . . . . . . . . . . . . . . . . 383.3. Egy színezett Petri háló alapú diagnosztikai keretrendszer . . . . . . . 39

3.3.1. A diagnosztikai keretrendszer elemei . . . . . . . . . . . . . . 393.3.2. A keretrendszer szerkezete . . . . . . . . . . . . . . . . . . . . 403.3.3. A keretrendszer működése . . . . . . . . . . . . . . . . . . . . 413.3.4. Predikció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.4. Esettanulmány: színezett hierarchikus Petri háló alapú granulátordiagnosztikai rendszer . . . . . . . . . . . . . . . . . . . . . . . . . . . 423.4.1. A granulátor diagnosztikai rendszer elemei . . . . . . . . . . . 423.4.2. Ismeretek reprezentálása . . . . . . . . . . . . . . . . . . . . . 433.4.3. Diagnosztikai eredmények . . . . . . . . . . . . . . . . . . . . 453.4.4. A színezett Petri háló alapú diagnosztikai rendszer lehetséges

alkalmazási módjai . . . . . . . . . . . . . . . . . . . . . . . . 463.5. Összefoglalás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4. Predikción alapuló diagnosztika szakértői rendszerrel 484.1. Szakértői rendszerek . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.1.1. Ismeretalapú technológia . . . . . . . . . . . . . . . . . . . . . 494.1.2. Az ismeretalapú rendszerek struktúrája . . . . . . . . . . . . . 494.1.3. Következtetési technikák . . . . . . . . . . . . . . . . . . . . . 514.1.4. Valós idejű szakértői rendszerek . . . . . . . . . . . . . . . . . 52

4.2. Diagnosztikai szakértői rendszerek az irodalomban . . . . . . . . . . . 534.2.1. A diagnosztikára felhasználható szoftver eszközök . . . . . . . 55

4.3. A predikción alapuló diagnosztikai szakértői rendszer . . . . . . . . . 554.3.1. A keretrendszer szerkezete . . . . . . . . . . . . . . . . . . . . 554.3.2. A többléptékű predikciós diagnosztikai szakértői rendszer fő

elemei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 564.3.3. Predikciós diagnosztikai szakértői rendszer működése . . . . . 594.3.4. A keretrendszer szoftver moduljai együttműködésének szervezése 604.3.5. Predikció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

4.4. Esettanulmány: szakértői rendszer alapú granulátor diagnosztikai rend-szer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 624.4.1. HAZOP tábla reprezentálása . . . . . . . . . . . . . . . . . . . 624.4.2. Diagnosztikai eredmények . . . . . . . . . . . . . . . . . . . . 62

4.5. Összefoglalás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

5. Predikción alapuló diagnosztika multi-ágens rendszerrel 675.1. Multi-ágens rendszerek . . . . . . . . . . . . . . . . . . . . . . . . . . 67

5.1.1. Ágensek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 675.1.2. Multi-ágens rendszerek . . . . . . . . . . . . . . . . . . . . . . 705.1.3. Ontológia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 715.1.4. Ontológiák és ágensek kapcsolata . . . . . . . . . . . . . . . . 725.1.5. Multi-ágens rendszerek diagnosztikai alkalmazása . . . . . . . 73

5.2. Predikción alapuló diagnosztika multi-ágens rendszerrel: a keretrend-szer struktúrája . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 735.2.1. A diagnosztikai rendszer tudásreprezentációja . . . . . . . . . 74

ii

5.2.2. A multi-ágens diagnosztikai rendszer fő elemei . . . . . . . . . 745.2.3. Predikció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 765.2.4. A felhasznált multi-ágens szoftverek . . . . . . . . . . . . . . . 76

5.3. Esettanulmány: ágens alapú granulátor diagnosztikai rendszer . . . . 775.3.1. A granulátor diagnosztikai rendszer tudáselemei . . . . . . . . 775.3.2. Szimulációs eredmények . . . . . . . . . . . . . . . . . . . . . 79

5.4. Összefoglalás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

6. Többléptékű modellek egyszerűsítése diagnosztikai célból 846.1. Modell egyszerűsítés . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

6.1.1. Folyamatmodellek és modellezési céljaik . . . . . . . . . . . . 846.1.2. Funkcionálisan ekvivalens folyamatmodellek . . . . . . . . . . 856.1.3. Modell egyszerűsítés problémája . . . . . . . . . . . . . . . . . 866.1.4. Elemi modell egyszerűsítő lépések . . . . . . . . . . . . . . . . 866.1.5. Az elemi modell egyszerűsítő lépések tulajdonságai . . . . . . 87

6.2. Modell egyszerűsítés diagnosztikai céllal . . . . . . . . . . . . . . . . . 886.2.1. A modell egyszerűsítési eljárás . . . . . . . . . . . . . . . . . . 896.2.2. Összehasonlítás más modellegyszerűsítési és modellredukciós

módszerekkel . . . . . . . . . . . . . . . . . . . . . . . . . . . 896.3. Esettanulmány . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

6.3.1. Granulátor dob: a modell skálatérképe . . . . . . . . . . . . . 906.3.2. Hiba szcenáriók és időskála szétválás . . . . . . . . . . . . . . 90

6.4. Összefoglalás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

7. Összefoglalás 957.1. A predikción alapuló diagnosztikai rendszer különböző megvalósítá-

sainak összehasonlítása . . . . . . . . . . . . . . . . . . . . . . . . . . 957.2. Új tudományos eredmények . . . . . . . . . . . . . . . . . . . . . . . 967.3. További kutatási lehetőségek, irányok . . . . . . . . . . . . . . . . . . 987.4. Publikációk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

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

iii

Ábrák jegyzéke

1. Léptékek a folyamatmérnökségben [41] . . . . . . . . . . . . . . . . . 162. Egy egyszerűsített folyamatos granulátor kör . . . . . . . . . . . . . . 203. Egy granulátor kör skálatérképe [57] . . . . . . . . . . . . . . . . . . . 244. Egy granulátor kör szintjei és a szintek közötti információcsere [57] . . 265. A szimptómák hierarchiája . . . . . . . . . . . . . . . . . . . . . . . . 286. Egyszerű Petri háló . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327. Petri háló jelölőkkel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338. Petri háló t1 átmenet tüzelése előtt és után . . . . . . . . . . . . . . . 349. Petri háló elemeinek dekompozíciója . . . . . . . . . . . . . . . . . . 3510. Rétegek és kapcsolataik a hierarchikus CPN modellben . . . . . . . . 4011. A granulátor dob CPN részhálója . . . . . . . . . . . . . . . . . . . . 4212. A szimptóma azonosítás réteg egy CPN részhálója . . . . . . . . . . . 4313. A gyökér okok meghatározása réteg egy CPN részhálója . . . . . . . . 4414. Szimptómák és gyökér okok kapcsolata . . . . . . . . . . . . . . . . . 4515. Ismeretalapú rendszerek felépítése . . . . . . . . . . . . . . . . . . . . 5016. A szakértői rendszer alapú diagnosztikai rendszer struktúrája . . . . . 5617. A tudásbázis struktúrája . . . . . . . . . . . . . . . . . . . . . . . . . 5718. Diagnosztikai eredmény - granulátor dob működésében bekövetkezett

hiba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6419. Diagnosztikai eredmény - törő egység meghibásodása . . . . . . . . . 6520. A multi-ágens diagnosztikai rendszer struktúrája . . . . . . . . . . . . 7821. A diagnosztikai ontológia egy része . . . . . . . . . . . . . . . . . . . 7922. Az ágens részrendszer struktúrája és a részrendszeren belüli kommu-

nikáció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8023. HAZOP és FMEA táblákon végzett következtetés . . . . . . . . . . . 8124. A diagnosztikai következtetés lépései a granulátor kör folyamatábráján 8125. A HAZOPFaultIsolatorAgent ágens következtetéseinek egy része . . . 8326. A CompletenessCoordinatorAgent ágens üzeneteinek egy része . . . 8327. Funkcionálisan azonos modellek és egyszerűsítéseik [70] . . . . . . . . 8528. Megnövekedett kötőanyag betáplálási áram szimulációs eredményei . . 9229. A granulátor kör modell struktúra térképe (finomított skálatérkép) . . 9330. Szimulációs eredmény a granulátor dobba betáplált részecskék méret

eloszlásának megváltozásakor . . . . . . . . . . . . . . . . . . . . . . 9431. Egy ellenáramú hőcserélő cella modellje . . . . . . . . . . . . . . . . . I32. A hőcserélő kaszkád modellje . . . . . . . . . . . . . . . . . . . . . . . III33. Egy hőcserélő cella modellje . . . . . . . . . . . . . . . . . . . . . . . III

iv

Táblázatok jegyzéke

1. Egy HAZOP eredménytábla szerkezete . . . . . . . . . . . . . . . . . 142. Egy FMEA eredménytábla szerkezete . . . . . . . . . . . . . . . . . . 143. A granulátor dob modelljében szereplő változók listája . . . . . . . . 234. A granulátor dobhoz kapcsolódó változók és szimptómák listája . . . 275. HAZOP tábla részlete az átlagos részecskeméret (d50) csökkenés esetén 276. HAZOP tábla részlet a granulátor dobból kilépő részecskeáramra . . . 297. Kötőanyag áramára vonakozó HAZOP tábla . . . . . . . . . . . . . . 30

v

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 meghibá-sodása elkerülhetetlen. A bekövetkező hiba, meghibásodás megváltoztatja a rendszertulajdonságait, ezáltal a működését. Hibás működés esetén elengedhetetlen, hogyminél gyorsabban és pontosabban lokalizálni lehessen az esetleges hibát, majd ezeninformáció birtokában kell eldönteni, hogy ez milyen káros hatással lehet a jövőrenézve. Ha elegendő információ áll rendelkezésre, akkor az időben felismert hibátmég korrigálni lehet.

Mint a legtöbb mérnöki területen, így a folyamatrendszerekben is fontos szerepettölt be és az utóbbi időben egyre inkább előtérbe kerül a hiba detektálás és diagnosz-tika (Fault Detection and Diagnosis, FDD). Az abnormális (rendkívüli) eseményekkezelésének (Abnormal Event Management, AEM) [117] manapság szintén nagy fi-gyelmet szentelnek. A rendkívüli események kezelése, amelynek a hibadetektálás és-diagnosztika egyik fő eleme, egy rendszerben előforduló hibák abnormális feltéte-leinek időben történő detektálásával, diagnosztikájával és korrigálásával foglalkozik.Mialatt az üzem/gyár egy irányítható normális üzemi tartományban üzemel, a hibákkorai felismerése és diagnosztikája segít az abnormális események tovaterjedésénekmegakadályozásában és csökkenti a termelékenység kiesést. A folyamat hiba di-agnosztikának (process fault diagnosis) [59] hatalmas irodalma van az analitikusmódszerektől a mesterséges intelligencián át a statisztikai megközelítésekig.

Az ipari statisztikák azt mutatják, hogy a nagyobb katasztrófák a vegyi üzemekhibáiból következnek be. A kisebb hibák nagyon gyakoriak (szinte nap mint napbekövetkeznek), s ezek foglalkozási sérüléseket, megbetegedéseket és összességébentöbb milliárd dolláros többletköltségeket okozhatnak [73]. Ezért nagyon fontos ahibákat, meghibásodásokat még korai szakaszukban felismerni, hogy az esetlegeskáros, súlyos következményeket el lehessen kerülni.

A dolgozatom ezen a nagyfontosságú és dinamikusan fejlődő területen, a komplexfolyamatrendszerek diagnosztikájának területén mutat be új eredményeket.

A technológia fejlődésével egyre bonyolultabb üzemeket terveznek, építenek ésműködtetnek. Ezen összetett rendszerek leírására az utóbbi években egyre népsze-rűbb, többléptékű (multiscale) [24] modellezés tűnik a legalkalmasabbnak, annak

1

ellenére, hogy ez a legújabb módszer jelenleg még intenzív kutatás tárgya. A több-léptékű modellezés felhasználásával lehetőség nyílik szinte minden mérnöki területen(integrált tervezés, szabályozótervezés stb.) többléptékű módszerek kidolgozására.

A gyárak, üzemek operátorai sok esetben nem rendelkeznek megfelelő magasszintű szaktudással az általuk felügyelt, működtetett rendszerre vonatkozóan. Afolyamat megfelelő működése során azonban kulcsfontosságú lehet egy abnormálisesemény vagy veszély esetén a megfelelő időben meghozott megfelelő döntés illetvebeavatkozás annak érdekében, hogy a rendszer visszakerüljön egy normális, biztonsá-gos működési módba. Ehhez azonban magas szintű, rendszerezett elméleti és gyakor-lati tudásra van szükség. Ezek a heurisztikus működtetési információk beszerezhetőka 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, mintpl. a hibafa elemzést (Fault Tree Analysis, FTA), a működőképesség- és veszély-elemzést (Hazard and Operability Analysis, HAZOP) vagy a meghibásodásmód és-hatás elemzést (Fault Mode Effect Analysis, FMEA).

Az operátori szaktudás esetleges hiányának pótlására olyan intelligens rendszerektámogatása szükséges, amelyek biztosítják a rendszer vagy üzem biztonságos mű-ködését. Ezen intelligens rendszerek a szakértőktől származó heterogén tudást (pl.HAZOP, FMEA analízis eredményei) egy egységes keretrendszerben felhasználvaműködnek. Mivel minden üzem más és más, ezért nehéz egy egységes, tématerület-től független intelligens diagnosztikai rendszer megvalósítása.

1.1. Célkitűzés

Dolgozatom célja olyan predikción alapuló diagnosztikai algoritmusok és módszerekkidolgozása volt, amelyek komplex, több berendezést magában foglaló folyamat-rendszerek meghibásodásakor képesek lokalizálni a hibát, majd a szakértők általmeghatározott HAZOP és/vagy FMEA analízis eredményeinek segítségével megha-tározzák a hiba lehetséges helyét és annak következményeit a berendezés és/vagyrendszer működésére nézve, valamint tanácsot adnak a lehetséges beavatkozásokra,veszteség megelőzésre. Az algoritmusok kidolgozását és megvalósítási lehetőségeinekanalízisét a mesterséges intelligencia területén szokásosan alkalmazott módszerek fel-használásával valósítottam meg, és az elkészített prototípus diagnosztikai rendszerekfelhasználásával esettanulmányok segítségével mutattam be a kifejlesztett módsze-reket és eszközöket, és vizsgáltam meg tulajdonságaikat.

Munkám fő célkitűzése az volt, hogy megvizsgáljam különböző elterjedt mesterségesintelligencia módszerek alkalmazhatóságát komplex folyamatrendszerek diagnoszti-kájára. 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 diagnosz-tikai 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 (mo-dell struktúra, HAZOP tábla) oly módon tudja tárolni, hogy azokon kö-vetkeztetéseket lehessen végrehajtani,

• on-line, valós időben képes rendszer hibákat vagy meghibásodásokat azo-nosítani,

• képes a többléptékű modell megfelelő részére fókuszálni,

• a szakértői tudást felhasználva az operátornak tanácso(ka)t tud adni amegelőző beavatkozásokra,

• megvalósítható valamilyen valós idejű működést támogató szakértői ke-retrendszerrel.

3. Egy olyan predikción alapuló diagnosztika multi-ágens rendszerrel való meg-valósítása, amely

• a diagnosztikai rendszerben lévő feladatokat egymással kommunikáló ágen-sek formájában valósítja meg,

• az egységes tudás ábrázolását és az ágensek közötti kommunikáció előse-gítését megfelelően felépített ontológiák felhasználásával valósítja meg,

• képes a HAZOP tábla mellett az FMEA táblákat is kezelni és következ-tetni mindkét ismerethalmazon,

• megvalósítható valamilyen multi-ágens fejlesztő keretrendszerben.

4. A fentiek eredményes elvégzéséhez szükségessé vált egy olyan többléptékű fo-lyamatmodelleket 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 módsze-reket ismertetem. A fejezet utolsó része az értekezés esettanulmányaiban használtkonkrét folyamatrendszer, egy granulátor üzem leírását és modelljét tartalmazza.

A 3. fejezet a színezett hierarchikus Petri háló alapú predikción alapuló diag-nosztikai rendszerrel foglalkozik. A fejezet első részében a Petri hálókkal kapcso-latos fogalmakat, a második részben pedig a Petri hálók diagnosztikai célra való

3

alkalmazhatóságának lehetőségeit tekintem át. A fejezet harmadik részében az ál-talam kifejlesztett Petri háló alapú diagnosztikai keretrendszer elemeit, szerkezetétés működését ismertetem. Végezetül egy prototípus diagnosztikai rendszer színezetthierarchikus Petri hálóval megvalósított diagnosztikai feladatait mutatom be egyesettanulmány segítségével.

A 4. fejezet a predikción alapuló diagnosztika szakértői rendszerrel történőmegvalósítását tárgyalja, amely a szakértői rendszerekkel kapcsolatos fogalmak ésmódszerek áttekintésével kezdődik, majd ismerteti a diagnosztikai szakértői rend-szerek jellemzőit. A fejezet harmadik részében a predikción alapuló diagnosztikaiszakértői rendszer szerkezetét, fő elemeit és működését tárgyalom, végül az ismerte-tett szakértői rendszer alapú diagnosztikai rendszer egy alkalmazását mutatom be agranulátor 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, valaminta rendszer fő elemeit. Végül az ismertetett módszert és a prototípus multi-ágensrendszert egy műtrágyagyártó granulátor körön mutatom be.

A 6. fejezet a korábbi fejezetekben bemutatott és alkalmazott predikción ala-puló diagnosztikai rendszerben predikciós céllal felhasznált többléptékű folyamat-modellek egyszerűsítésével foglalkozik. A modell egyszerűsítés általános problémakitűzésének ismertetése után a többléptékű modellek diagnosztikai célú modell egy-szerűsítésének problémakitűzését mutatom be, majd ismertetem a többléptékű mo-dellek modell egyszerűsítésének elvi lépéseit. Végül a fejezetben bemutatott elvimodell egyszerűsítő lépéseket egy műtrágyát előállító granulátor dob példáján il-lusztrálom.

A 7. fejezetben a korábbiakban bemutatott predikción alapuló diagnosztikairendszerek összehasonlítását végzem el. A fejezet második részében dolgozatomfőbb eredményeit, a javasolt téziseket foglalom össze, valamint a fejezet harmadikrészében a további kutatások lehetséges irányait határozom meg.

1.3. Jelölések

Az alábbiakban a dolgozatban végig, általánosan alkalmazott jelöléseket, rövidíté-seket foglalom össze.

Rövidítések:FTA Fault-Tree Analysis (Hibafa-elemzés)HAZOP HAZard and OPerability analysis (működőképesség- és veszélyelemzés)FMEA Fault Mode Effect Analysis (Meghibásodásmód és -hatás elemzés)FMECA Failure Mode and Effects Criticality Analysis (Meghibásodásmód,

-hatás és hibakritikusság elemzés)PHA Process Hazard Analysis (Folyamat működésképességi elemzés)MAP monoammónium foszfát, (NH4)H2PO4

DAP diammónium foszfát, (NH4)2HPO4

CPN Coloured Petri Net (színezett Petri háló)

4

2. fejezet

A felhasznált eszközök és módszerek

Ebben a fejezetben összefoglalom a további fejezetekben szereplő és azok megérté-séhez szükséges fogalmakat és alapismereteket.

2.1. A predikción alapuló diagnosztika alapjai

A következőkben áttekintem a predikción alapuló diagnosztikához kapcsolódó alap-vető fogalmakat és módszereket.

2.1.1. A hibadetektálási és -diagnosztikai technikák áttekinté-se

Meghibásodások A működési egységekben, alrendszerekben (valamilyen szem-pontból káros) meghibásodások, hibák (failure, fault) keletkezhetnek. A hiba aberendezés valamely paraméterének vagy változójának nem megengedett eltérése anévleges értéktől. Hatása, fennállása lehet időszakos, ekkor zavarról beszélünk, vagylehet állandó, ekkor változásnak nevezzük. Amennyiben az eltérés a funkcióvég-rehajtást is nemkívánatos módon befolyásolja, meghibásodás (failure) következettbe. A meghibásodást a fentiek szerint az alábbi módon definiálhatjuk: a rendszerműködésében olyan esemény következett be, amely a rendszer tényleges funkcionali-tásának részleges vagy teljes módosulását vonta maga után, amelynek káros hatásailehetnek a rendszerre, az emberekre és/vagy a környezetre.

A rendszerben keletkező meghibásodások eredhetnek emberi hibákból is (humanerror), amelyeket a rendszer tervezése, kivitelezése, kezelése és fenntartása soránlehet elkövetni.

Hibamodellezés Egy hiba definiálható úgy, mint egy változó legalább egy nemmegengedett eltérése az elfogadható viselkedést leíró időfüggvénytől. A folyamat-rendszerekre vonatkozóan a hibák két csoportját különböztetjük meg: az additívhibák és a multiplikatív hibák osztályát. Az additív hibák hatása egy xi változónhozzáadódik (ze = z0 +xi), pl. érzékelők eltolódása. A multiplikatív hibák megszor-zódnak egy xj változóval (ze = z0 · xj), pl. a paraméterváltozás.

5

Hibadiagnosztika Az irodalomban viszonylag kevés közlemény ad átfogó áttekin-tést a hibadiagnosztika területéről úgy, hogy együttesen veszi figyelembe az összeskülönböző típusú technikát. Egyes közlemények főleg a modell alapú megközelíté-sekre koncentrálnak [38, 59], mások reprezentatívan mutatják be a széles területenrendelkezésre álló hibadiagnosztikai technikákat [68]. Részletes és alapos összefog-laló található Venkatasubramanian et al. (2003) [117, 115, 116] háromrészes cikk-sorozatában a hibadetektálás és diagnosztika dolgozatomban tárgyaltakhoz hasonlómódszereiről.

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 hanem, mi a rendszer hibamódja, milyen hiba következett be (hibaizoláció).

• beavatkozást keresni azzal a céllal, hogy a rendszer normális viselkedésevisszaálljon (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, haa rendszer megközelíthetőleg egy állandósult állapot környezetében működik, akkorlegtöbbször a határérték átlépés ellenőrzés jól működik. Ezen módszerek nagy előnyeaz egyszerűség és a gyorsaság és a megbízhatóság. A hátránya, hogy ha a rendszerneknincs vagy túl gyakran változik a működési tartománya. Mivel a rendszer bemenetegyakran változhat, ezért a változók határértékének figyelésének beállításai egy nehézfeladat.

A modell alapú módszerek lényege a jel és folyamatanalízisen alapuló analitikusredundancia vizsgálata. A mérhető jelek analízise leggyakrabban korrelációs függ-vényeket, frekvenciatartománybeli vagy statisztikai döntéselméleti vizsgálati mód-szereket alkalmaznak. A folyamatok analíziséhez a modell alapú módszerek eseté-ben a folyamatok és meghibásodások matematikai modelljeivel együtt legtöbbszörparaméter- és állapotbecslőket és hibadetektáló szűrőket használnak [59]. Néhányfontos közlemény is ajánlható a modell alapú diagnosztikai módszerekről a teljességigénye nélkül [20, 34, 105].

A tudás alapú módszerek a rendelkezésre álló heurisztikus ismereteken alapsza-nak. Ezekkel részletesebben később, a 2.1.3 fejezetben foglalkozom.

6

2.1.2. A predikción alapuló diagnosztika rendszerelméleti meg-közelítésben

A rendszerelméletben a dinamikus rendszerek leírására a bemenet-kimenet modellekmellett állapottér modelleket (state-space model) használnak [45]. Egy állapottérmodell koncentrált paraméterű rendszerek esetén két egyenlethalmazból áll:

1. Állapot egyenletek leírják az állapotok időbeli változását a bemeneti és az ál-lapotváltozók függvényében.

2. Kimeneti egyenletek algebrai egyenletek formájában leírják a kimeneti jelekkapcsolatát a bemeneti- és állapotváltozók között.

Koncentrált paraméterű időinvariáns folytonos idejű lineáris rendszerek állapot-tér modellje a következő alakban írható fel:

x(t) = Ax(t) + Bu(t) (állapot egyenlet) (1)

y(t) = Cx(t) + Du(t) (kimeneti egyenlet) (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) ∈ R

p a kimenetiváltozókból álló vektor és A ∈ R

n×n, B ∈ Rn×r, C ∈ R

p×n, D ∈ Rp×r rendszermát-

rixok.A nemlineáris véges dimenziós (vagy koncentrált paraméterű) rendszerek a nem-

lineáris rendszerek egy széles osztályát alkotják. A véges dimenziós nemlineárisrendszerek állapottér modellje [44] az alábbi általános alakban írható fel:

x(t) = f(x(t), u(t)) (állapot egyenlet) (3)

y(t) = h(x(t), u(t)) (kimeneti egyenlet) (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) ∈ R

p a kimenetiváltozókból álló vektor és f , h sima nemlineáris függvények.

A fentiekhez hasonló módon adható meg a diszkrét idejű lineáris és nemlineárisállapottér modellek általános alakja; a koncentrált paraméterű időinvariáns diszkrétidejű lineáris rendszerek állapottér modellje például az alábbi alakban írható fel:

x(k + 1) = Φx(k) + Γu(k) (állapot egyenlet) (5)

y(k) = Cx(k) + Du(k) (kimeneti egyenlet) (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) ∈ R

p a kimenetiváltozókból álló vektor és Φ, Γ, C, D megfelelő dimenziójú rendszermátrixok.

A koncentrált paraméterű időinvariáns diszkrét idejű nemlineáris rendszerek ál-lapottér modellje pedig az alábbi alakban adható meg:

x(k + 1) = φ(x(k), u(k)) (állapot egyenlet) (7)

y(k) = γ(x(k), u(k)) (kimeneti egyenlet) (8)

7

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) ∈ R

p a kimenetiváltozókból álló vektor és és φ, γ sima nemlineáris függvények.

A rendszereket a külső környezetből zavarások érhetik. A zavarásokat legtöbb-ször, mint a rendszer egy nem manipulálható bemenetét lehet modellezni. A fo-lyamat hibák tehát olyan zavarásoknak tekinthetők, amelyek a rendszerre hatnakés változást okozhatnak a rendszer kimenetén függetlenül a mért bemenetektől. Alineáris időinvariáns folytonos idejű (1)-(2) állapottér modell zavaró változókkal ki-bővített alakja az alábbi formában írható fel:

x(t) = Ax(t) + Bu(t) + Bdz(t) (9)

y(t) = Cx(t) + Du(t) (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) ∈ R

p a kimenetiváltozókból álló vektor, z(t) ∈ R

k a zavarásvektor és A, B, Bd, C, D megfelelődimenziójú rendszermátrixok.

Folyamatirányítási feladatok A folyamatirányítás feladata, hogy az üzem vi-selkedését irányítsa annak érdekében, hogy egy előre meghatározott célt elérjen. Ígya folyamatirányításhoz kapcsolódó feladatok gyakran aktív feladatok abban az érte-lemben, hogy jeleket határoznak meg, amelyek hatással vannak az üzemre. Ezek ajelértékek a beavatkozó adatok, és általában a mért értékekből határozhatók meg.

Az aktív irányítási vagy szabályozási részfeladat mellet a folyamatirányítási fel-adatok gyakran tartalmazzák a szabályozáshoz szükséges előkészítési vagy segédfeladatokat [43], mint például szűrés, identifikáció vagy diagnosztika.

Állapotszűrés A szabályozók nagy része (pl. pólusáthelyező-, optimális- ésrobosztus szabályozók) állapotvisszacsatolást használ, amelyek felhasználják a a be-avatkozó bemenet meghatározásához az aktuális állapot értékeit. Mivel valamennyiaz állapotváltozó értéke rendszerint nem mérhető közvetlenül, ezért csak a rendelke-zésre álló mérési adatokat lehet felhasználni, amelyek gyakran mérési zajjal terhel-tek. Ezért sok esetben szükséges állapotszűrést alkalmazni az állapot jelek értékeinekmegbecsüléséhez. A legismertebb állapot szűrő módszer a Kalman szűrő.

Identifikáció A szabályozó eljárások megtervezéséhez szükséges egy teljes di-namikus 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 ésparamétereinek meghatározására.

Diagnosztika A diagnosztika célja, hogy különböző meghibásodási módokbanfelfedezi, detektálja és izolálja a rendszerhibákat és meghibásodásokat a mért ada-tokból és a jó, valamint a hibás működést leíró rendszer modellekből. A diagnosztikaaz operátorok számára magas szintű információt szolgáltat a rendszer állapotáról,és befolyásolja a szabályozók működését.

8

Ha a diagnosztizálandó dinamikus rendszer rendszerelméleti modellje rendelke-zésünkre áll, akkor két típusú diagnosztikát végezhetünk [43]: a predikciós hibánalapuló diagnosztikát és az identifikáción alapuló diagnosztikát.

Predikción alapuló diagnosztika

A predikción alapuló diagnosztika probléma kitűzése az alábbi alakban fogalmazhatómeg.

Adott:

• a vizsgált meghibásodási módok száma, NF beleértve a hibamentes mo-dellt 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 hal-maza, 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∑

τ=1

[

r(i)T (τ)Qr(i)(τ)]

(12)

r(i)(τ) = y(τ) − yFi(τ) , τ = 1, 2, ...

ahol Q pozitív definit szimmetrikus súlyozó mátrix.

Feladat: meghatározni a rendszer azon meghibásodási módját, amelynél amodell index Fi és a (11) egyenlettekkel leírt modellekhez rendelt (12) egyen-lettel megadott veszteségfüggvényt minimalizálja.

Identifikáción alapuló diagnosztika

Az identifikáció alapuló diagnosztika probléma kitűzése a következő alakban fogal-mazható meg.

Adott:

• a vizsgált meghibásodási módok száma, NF beleértve a hibamentes mo-dellt 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 hal-maza, 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 para-méterek vektora az Fi meghibásodási módban, amely a mért rekordon ésa

ρ(i) = pestFi − p(Fi)

paraméterkülönbségen alapul.

Feladat: meghatározni a rendszer azon meghibásodási módját, amelynél amodell index Fi és a (13) egyenlettekkel leírt modellekhez rendelt (14) egyen-lettel megadott veszteségfüggvényt minimalizálja.

2.1.3. A predikción alapuló diagnosztika tudásalapú megköze-lítésben

Ha a hiba detektálás és diagnosztika a valós üzemi adatok és egy dinamikus modelláltal generált predikált értékek összehasonlításán alapszik, akkor predikció alapú di-agnosztikáról beszélünk. A diagnosztika szempontjából információt hordozó eltéré-sekből ún. szimptómákat képezünk, amelyek a tudásalapú diagnosztikai módszerekbemenetei.

A tudás alapú módszerek a megfigyelt szimptómákról és a folyamatrendszerrőlrendelkezésre álló heurisztikus ismereteken alapszanak. Ha nem áll rendelkezésre in-formáció a hibák-szimptómák ok-okozatiságára vonatkozóan, akkor a tapasztalatokalapján tanított statisztikai vagy geometriai osztályozó módszereket alkalmaznakhibadiagnosztikára. 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 típusá-ban különböznek, hanem a diagnosztikai keresési stratégiákban is. Általában a diag-nosztikai keresési stratégia erősen függ az ismeretek reprezentációs sémájától, ame-lyet az a’priori ismeretek sajátosságai határoznak meg. Ezért a felhasznált a’prioriinformációk (a meghibásodások halmaza, a megfigyelések (szimptómák) és meghi-básodások közötti relációt leíró kapcsolatok) típusa a legfontosabb megkülönböztetősajátosság a tudásalapú diagnosztikai rendszerekben. Az a’priori információt fel-használó diagnosztikai módszerek csoportosítását és részletes ismertetését Venkata-subramanian et al. (2003) [117, 115, 116] közleményeiben tárgyalja.

A diagnosztikai keresési stratégiák alapján a diagnosztikai módszerek háromalapvető típusú algoritmusa különböztethető meg az ismeretgyűjtés és -értelmezésformája szerint [59]: osztályozási módszerek, következtető módszerek és ezek kom-binációja.

10

Az osztályozási módszerek, amelyek a geometriai, statisztikai, neurális és polino-miális osztályozásokat foglalják magukba, általában referencia mintákat használnakfel tanulás céljából. A következtető módszerek nyelvi szabályokon alapszanak. Ezeka diagnosztikai rendszerek legtöbbször fuzzy szabályokat [72] alkalmaznak, amellyelegy ún. közelítő következtetést érnek el. Ennek a megközelítésnek az a problémája,hogy nagyon időigényes a szabályok megalkotása és a későbbiekben a szabálybázismódosítása. A két módszert együttesen használják például az adaptív neuro-fuzzyrendszerek [21].

A fenti általános áttekintés alapján kialakított predikción alapuló tudásalapúdiagnosztikai rendszer elemeit összegzem a következőekben.

Gyökér ok A tudás alapú hiba detektálásban és diagnosztikában a rendszer min-den meghibásodási módjához rendelhető egy ún. gyökér ok. Ezen gyökér okokbekövetkezésének egy variációja adja egy hiba okát. A gyökér okok gyakran nemmérhetők és diszkrét értékűek (indikátor változók), így egy gyökér ok rendszerelmé-leti szempontból úgy írható le, mint egy nem mérhető zavarás egy diagnosztikai célúfolyamatrendszerben.

Szimptómák Egy mérhető vagy számítható mennyiségeken definiált relációt szimp-tómának nevezünk, ha kapcsolódik egy tetszőleges meghibásodás vagy hiba egy gyö-kér okához. A szimptómák működési szempontból felismert devianciák, amelyeket arendszer dinamikus viselkedése következtében időfüggő módon azonosíthatunk. Egyszimptóma definíciójában szereplő relációk leggyakrabban egyenlőtlenségekként je-lennek meg. A szimptómák értékkészlete a logikai értékek halmaza (igaz vagy ha-mis). 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 sze-repeit, amelyek szükségesek a tervezett működési vagy folyamat célok eléréséhez. Afunkciók természetesen kapcsolódnak azokhoz a részrendszerekhez vagy rendszerele-mekhez, amelyek ahhoz szükségesek, hogy elérjük a folyamat célokat. Ez a kapcsolatformálisan oly módon valósul meg, hogy a funkciókat normális esetben a kapcsolódórendszerelemek 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 típu-

sú ismeretet. A viselkedés az összekapcsolt folyamatrendszerből származó összetett

11

hatás, amely tartalmazza mind a technikai, mind az emberi komponenseket. Aviselkedés tekinthető úgy, mint a rendszerállapot időbeli trajektóriáinak összessége.

Ha egy szimptómához kapcsolódó feltétel teljesül, akkor a kapcsolatban álló rend-szerelem nem teljesíti a vele kapcsolatos célokat. Ez egyrészt kapcsolódási pontotszolgáltat a hiba detektálás és diagnosztika között, másrészt egy kapcsolatot is ada szimptómák és célok között a komponensek és részrendszerek funkcióin keresz-tül. Ennek önmagában van egy hierarchikus természete a rendszer tervezésben akomponensektől a részrendszereken át a rendszerekig.

Fontos kiemelni, hogy a célok rögzítenek egy elvárt folyamatrendszer tulajdon-ságot, amely gyakran időinvariáns. Egy egyszerű példa lehet egy kapcsolódó szimp-tóma 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 kap-csolódó be- és kimeneti jelek egy véges rekordja, a diagnosztikai szcenárió az azonoscsaládhoz tartozó (azaz ugyanazon mérhető kimeneti jel feletti) szimptómák egyidőbeli sorozata.

Ha veszünk egy mérhető változót, és ezen definiálunk egy szimptómát mint kva-litatív változót, akkor egy diagnosztikai szcenárió tekinthető úgy, mint a rendszeregy kvalitatív értékű kimeneti jele.

A meghibásodások hatásának elemzése A rendszer viselkedését minden fi-gyelembe vett meghibásodási módjában leíró dinamikus rendszermodell segítségévelpredikcióval meghatározható(ak) egy hiba vagy meghibásodás (időbeli) következmé-nye(i) [117, 115, 116]. Ez elvégezhető szimulációval, amely megjósolja a meghibáso-dott rendszer viselkedését. Súlyos és/vagy kockázatos következmények elkerüléséreajánlott megelőző beavatkozások szintén tervezhetők és/vagy tesztelhetők szimulá-cióval.

Veszteségmegelőzés Gyakran nem elég, hogy felismerjük és izoláljuk egy rend-szer hibás állapotát, hanem arra is szükség lehet, hogy tanácsokat adjunk a mű-ködtető személynek, hogy hogyan kerülje el a hiba nem szándékolt következményeitmegfelelő megelőző beavatkozás(ok) kiválasztásával. Minden egyes (gyökér okávalazonosítható) hibához rendelhető(k) kitüntetett bemeneti jel(ek), amely(ek) a rend-szert a tranziensének kezdeti fázisából kiindulva megpróbálja(k) megelőzni a súlyoskövetkezményeket vagy megpróbálja(k) visszavinni a rendszert a normális működésitartományba.

Ez vezethet operátor tanácsadó rendszerek (Oparator Guidance System, OGS)fejlesztéséhez. Ezen esetekben további „what if” (mi van akkor, ha) típusú feltételespredikciók szükségesek egy veszteségmegelőző beavatkozás hatásának vizsgálatához.

2.2. Veszélyelemzés, veszélyazonosítás

A hibadetektálási és diagnosztikai feladatokhoz [117] szükséges információk eltérőkarakterisztikával jellemezhető különféle forrásokból nyerhetők ki. Ezek az infor-

12

mációforrások tartalmazzák a koncepcionális tervezési tanulmányokat és a kocká-zatelemzést, ezen túlmenően a részrendszerek vagy konkrét működési módok [45]részletes dinamikus modelljeit, továbbá operátoroktól és egyéb üzemi munkások-tól származó heurisztikus működtetési tapasztalatokat. A heurisztikus informáci-ók beszerezhetők a veszélyek azonosítása és elemzése, valamint károk felmérése éscsökkentése 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, HAZ-OP),

• 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 működőképesség-és veszélyelemzés vagy működésbiztonsági veszélyelemzés (HAZard and OPerabilityanalysis, HAZOP) [31, 32, 53, 65, 67, 77]. Az 1960-as évek végén az Imperial ofChemical Industries (ICI) vegyipari technológiai rendszerekhez dolgozta ki a bizton-ságtechnikai veszélyek meghatározására és kiértékelésére, valamint azoknak az üze-meltetési problémáknak az azonosítására, amelyek károsan befolyásolják egy üzemelőírt működését. A HAZOP elemzés során több műszaki tudományterület képvi-selőiből álló munkacsoport kreatív és módszeres megközelítést alkalmaz azoknak aveszélyeknek és üzemeltetési problémáknak a feltárásához, amelyek a rendeltetéssze-rű, normális működéstől való eltérésből erednek, és amelyek káros következményekkeljárhatnak. A HAZOP elemzésnek az az elve, hogy a rendszer paramétereinek vagyváltozóinak normális állapottól való eltérését a már létező vagy kialakulóban lévőhibák okozzák.

Az elemzés során előre meghatározott, ún. vezérszavakat (guide words) [66](pl. MORE, LESS, NONE, . . . ) használnak. Ezeket a vezérszavakat az üzemfolyamatábrája szerinti különböző területeken alkalmazzák és meghatározott folya-matjellemzőkkel kombinálva állításokat fogalmaznak meg a rendeltetésszerű üzemiműködéstől való eltérés meghatározása érdekében. A HAZOP elemzés során felsorol-ják a potenciális hiba okokat és a következményeket, valamint a hibákhoz rendelhe-tő megelőző/védelmi intézkedéseket az általános tapasztalatok alapján. A HAZOPelemzés eredményét rendszerint táblázatos formátumban foglalják össze. Egy példalátható az 1. táblázatban.

A módszer meglehetősen időigényes és ebből következően igen költséges. A vizs-gálat rendszerszintű (és nem rendszerelem szintű), és ennélfogva alapvetően magáraa 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 ModeEffect 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. Első-sorban mechanikai és villamos berendezések meghibásodásának vizsgálatára hasz-nálják, ellentétben a HAZOP módszerrel, amely a rendszerben zajló folyamatokegymásutániságát, ok-okozati kapcsolatait elemzi.

Az FMEA feltérképezi maguknak a berendezéseknek, alrendszereknek a lehetsé-ges meghibásodását, és a meghibásodások helyi és rendszer szintű következményeit.Az egyes meghibásodásokat a rendszeren belüli többi meghibásodástól függetleneseménynek tekintik, kivéve azokat a hatásokat, amelyeket maga a meghibásodásokozhat.

Az FMEA analízis eredményét táblázatos formában rögzítik a 2. táblázattal jel-lemezhető struktúrában.

Komponens / Meghibásodási Lehetséges Érzékelés Kihatása más Kihatása a

Berendezés mód okok módja komponensekre rendszerre

......

......

2. táblázat. Egy FMEA eredménytábla szerkezete

Az FMEA egy kiterjesztett változata a meghibásodásmód, -hatás és hibakritikus-ság elemzésnek (Failure Mode and Effects Criticality Analysis, FMECA) [2] nevezettmódszer, amelynek célja (az FMEA céljain kívül) azon berendezések, alrendsze-rek hibakritikusságának ártalompotenciáljuk szerinti rangsorolása a rendszerelemekáltal okozható károk által jellemezhető skálán, amelyek személyi sérülést, károkatvagy egyéb rendszersérülést okozhatnak az egyedi meghibásodások következtében.A FMECA eredményeként megadhatók azok a rendszerelemek, amelyekre nagyobbfigyelmet kell fordítani.

2.3. Többléptékű modellezés

A legújabb technológiai előrelépések eredményeként létrejövő egyre bonyolultabbfolyamatok és rendszerek jelentős kihívásokat jelentenek a tervezés, az analízis, azoptimalizálás, az irányítás, a működtetés és a diagnosztika területén. Az ilyen komp-lex rendszerek leírására alkalmas többléptékű modellezés elterjedése és alkalmazásaa benne rejlő lehetőségek (pontosság, rugalmasság, számítási hatékonyság) kiakná-zásával ezért egyre növekszik.

A többléptékű modellek gyakorlati alkalmazása az utóbbi 15 évben nagy elő-relépést mutat különböző tudományterületeken. Ezzel párhuzamosan megnőtt azigény a különféle többléptékű modellek, módszerek és terminológiák alkalmazására.

14

Többen foglalkoznak a többléptékű modellezés általános, egységes alapelveinek éseszközeinek 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 objektumokkarakterisztikus ideje vagy mérete mentén alakíthatók ki és tartalmazzák a modelláltal leírt jelenségeket.

Harder és Roels (1982) [47] közleménye alapján az alábbi módon definiáljuk azidő- és méretskálák egységét:

• Időskála (time scale) egy egysége azon idő nagyságrendje, amennyi idő szük-séges ahhoz, hogy egy jelenség egy külső feltételekben bekövetkező változásraválaszoljon.

• Méretskála (length scale) egy egysége azon objektumok kiterjedéséneknagyságrendje, amely tartalmazza a vizsgált jelenséget.

Két diagram típust használnak a rendszerek többléptékű természetének leírásá-hoz: a szervezeti (organisational) diagramokat és a skálatérképeket (scale map). Aszervezeti vagy összetettségi diagramok megmutatják, hogy egy rendszerben milyenrészrendszerek vagy folyamatok fordulnak elő, és elhelyezik őket egy idő- vagy mé-retskála hierarchiában. A skálatérképek objektumok, folyamatok vagy jelenségekelhelyezkedését ábrázolják a karakterisztikus idő vagy méret vagy mindenkettő sze-rint logaritmikus tengelyen. Az 1. ábra egy skálatérképet, a dolgozatban későbbkulcsszerepet játszó folyamatrendszerek általános skálatérképét mutatja az idő- ésméretskálák 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, megvilágítvaaz objektumokat, folyamatokat, elméleti és gyakorlati technikákat, amelyeklényegesek minden szinten.

2.3.2. A többléptékű modellezés lépései

Egy többléptékű modell megépítésének legfontosabb, a többléptékű modell kiala-kítása szempontjából specifikus lépéseit Ingram és Cameron (2002) [54] az alábbihárom 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, amelyfontos;

• a részmodellek összekapcsolása vagy integrálása egy koherens többléptékű mo-dellé.

A fenti lépéseket a folyamatmodellek felállítására használt 7 lépéses modellezésieljárás [45] lépéseivel összhangban kell alkalmazni.

2.4. Többléptékű modellek diagnosztikai célvezéreltmodellezése és szimulációja

A szakirodalomban jelenleg nincs egy kiforrott vagy elfogadott módszer többlép-tékű folyamatmodellek építésére, ezért sok kutató foglalkozik ezen tématerülettel.Néhány közlemény foglalkozik különböző típusú többléptékű folyamatmodellek épí-tésével (például Pantelides (2001) [86], Guo and Li (2001) [42], McGahey and Came-ron (2002) [80]), amelyből idővel egy módszertan születhet. Ugyanakkor egy másikfontos probléma ezen a területen, hogy milyen módon integráljuk a részmodelleketegy többléptékű folyamatmodell keretbe [56, 55].

Az alábbiakban ismertetek egy célvezérelt modellezési módszert többléptékű fo-lyamatmodellek megépítésére [P5] és bemutatom, hogy hogyan használható fel egyilyen 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 folyamatáb-rával jellemezhető (tartalmazza a rendszer határait, a rendszerben lejátszódómechanizmusokat, a rendszer jellemző paramétereit, a rendszer be- és kimene-teit);

• a modellezési cél specifikálására, amely meghatározza, hogy mennyire részle-tes, pontos modellre van szükség, illetve a rendszer mely sajátosságait kell amodellnek leírnia.

Modellezési eljárás A modellezési folyamat Hangos és Cameron (2001) [45] sze-rint 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 megoldásávalvagy szimulációjával (5. lépés) foglalkozom.

2.4.2. Diagnosztika, mint többléptékű modellezési cél

A többléptékű modellezéskor a folyamatrendszer leírása ugyanúgy, mint a model-lezési cél egy többléptékű modellt igényelhet abban az esetben, ha nagyságrendikülönbségek vannak a rendszerelemek méretbeli vagy időbeli viselkedése között.

Ahogy azt a 2.1.3 alfejezetben láthattuk, a predikción alapuló diagnosztikábanáltalában szimptómákat használunk, amelyek a folyamatrendszer időben változómennyiségeiből (változók vagy modell elemek) számíthatók ki. A HAZOP tábla ésa szimptómák két olyan elemet alkotnak, amelyeket felhasználhatunk egy speciálisdiagnosztikai modellezési cél kifejezésére.

Diagnosztikai szempontból egy olyan folyamatmodell megépítése szükséges, amely

• dinamikus és képes leírni a rendszer időbeli viselkedését az összes figyelembevett meghibásodási módban,

• képes meghatározni a figyelembe vett összes szimptóma időbeli változását,

• képes kezelni a rendelkezésre álló beavatkozó változók időbeli értékeit, hogytesztelni lehessen a lehetséges beavatkozások hatását modell alapú predikció-val.

17

2.4.3. Többléptékű folyamatmodellek modellezési hierarchiája

Amikor a többléptékű folyamatmodelleket diagnosztikai célból hozzuk létre, álta-lában az időskálán egy a diagnosztika szempontjából fontos idő-szintet rögzítünk arendszer meghatározó időállandói alapján. Így a modell hierarchiát csak a méret- ésrészletezettség skálák mentén definiáljuk. Egy folyamatmodell hierarchiája a részle-tezettség 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 ese-tekben más szintek is megjelenhetnek.

Az A. Függelék egy két részletezettségi szintű egyszerű folyamatrendszert, egyhőcserélőt mutat be illusztrációképpen. A többléptékű modell felső szintje az el-lenáramú hőcserélő berendezés szintje, alsó szintjén pedig a hőcserélő egy szeletét(berendezés-rész) modellje található.

A többléptékű modellek egy fontos meghatározó jellemzője, hogy a különbö-ző szinteken lévő részmodelljei általában erősen különböző jellegűek (fajtájúak) éskülönböző alapismereteket használnak fel. Például, lehet egy mérnöki modellünknéhány mérlegelési térfogatra, amelyet integrálunk egy tisztán heurisztikus szabályalapú modellel a berendezés szinteken.

2.4.4. Szimptóma hierarchia

Általában a szimptómák a kapcsolódási elemek a folyamatmodell és a modellezésicél hierarchiák között, mert

• van legalább egy mérhető változójuk vagy más rendszerelemük, amelyhez tár-sulnak 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 hierar-chia mentén. Mivel a többléptékű modelleket predikcióra akarjuk használni ahhoz,hogy egy gyökér ok vagy egy javasolt megelőző beavatkozás következményeit megtudjuk határozni, egy olyan szimptóma hierarchiát használunk, amely a modell hie-rarchiáját követi a szimptómák definiálásában szereplő változók vagy a modellelemekáltal.

18

2.4.5. Egy célvezérelt felülről lefelé haladó modellezési megkö-zelítés

A többléptékű folyamatmodellek építésére alkalmas ún. top-down (felülről lefeléhaladó) megközelítés [24] a legdurvább skálájú részmodell megépítésével kezdődik,majd ennek elemeit pontosítjuk finomabb skálák menti részmodellekkel, ha szüksé-ges. A dolgozatomban ezt a megközelítést alkalmazom a diagnosztikai célvezéreltmodellezési eljárásra, amelyben feltételezem, hogy a modellezési feladat a következőproblémakitűzés formájában adott.

Adott:

• egy folyamatrendszer leírás a rendszer határaival, funkcióival és a fő me-chanizmusokkal,

• egy modellezési cél, mely szerint a modellnek le kell írnia az összes lehet-séges gyökér ok következményeit és a megelőző beavatkozások hatásaitegy adott HAZOP tábla minden bejegyzésére.

Feladat: a legegyszerűbb (azaz minimális) többléptékű modell megépítése,amely képes ráfókuszálni a bekövetkezett eseményre a hierarchikusan dekom-ponált modell szükséges részeinek felhasználásával.

Ha a modellezési feladat a fenti speciális módon kerül kitűzésre, akkor a következőkiterjesztések szükségesek a 7 lépéses modellezési eljárás egyes/adott lépéseihez:

(1’) Szimptómák előállítása a modellezési cél részeként adott HAZOP táblából (Ve-zérszó és Eltérés oszlopok)

(2’) Skálák (méret és részletezettség) és ezek maximális finomságának meghatáro-zása az adott rendszer leírásában szereplő irányítási faktorok (mechanizmusok)alapján.

(4’) A modellépítés top-down megközelítésének alkalmazása során a szimptómákformalizálása a modellelemekkel és a -változókkal, amelyek meghatározzák aszükséges skálákon a szükséges szinteket.

A kiterjesztések a folyamatrendszer és a diagnosztikai modellezési cél fentiekbentárgyalt sajátosságainak következményei. Ezen kiterjesztések segítségével lehet amodellezési eljárás során a megfelelő lépéseket elvégezni.

Ha a modellezési cél egy HAZOP tábla által adott, akkor ebből a szükséges szimp-tómák az (1’) lépésben könnyedén előállíthatók. Ezek a szimptómák a kulcselemeia fenti modellezési módszernek, ezek irányítják a későbbi modellezési lépéseket, ésösszekötő kapocsként szolgálnak a megépített többléptékű modell és a diagnosztikaközött.

A (2’) lépés egy olyan kiterjesztés, amely alapvető minden többléptékű modelle-zési probléma esetén [24]. Végül a (4’) lépés szükséges ahhoz, hogy formalizáljuk az(1’) lépésben meghatározott szimptómákat a modell változóival együtt, és formáli-san összekapcsoljuk a többléptékű modellt a diagnosztikával, pontosabban a gyökérok identifikációval.

19

Granulátor Szárító

Törõ

Rosták Termék

Újra feldolgozandó szemcsék

Méreten aluli

Méreten felüli

Száraz szemcsékNedves szemcsékRészecske

folyam

Kötõanyag

2. ábra. Egy egyszerűsített folyamatos granulátor kör

A megépített többléptékű folyamatmodellt alkalmazhatjuk predikcióra a valósfolyamattal párhuzamosan úgy, hogy az meghatározza a potenciálisan veszélyes kö-vetkezményeket és tesztelje a lehetséges megelőző beavatkozások hatásait.

Fontos megjegyezni, hogy a bemutatott megközelítés erősen támaszkodik arra afeltételezésre, hogy a diagnosztikai célhalmaz HAZOP tábla formájában adott. Lé-teznek más alternatív módszerek ugyanezen információknak más forrásokból és/vagymás formátumokban történű kinyerésére abnormális események detektálásával ésosztályozásával [117, 115, 116]. Egy egyszerű, ám hatékony módja a szimptómákmegtalálásának a tanulás, amelyet Szücs et al. [107] ismertettek.

2.5. Egy konkrét folyamatrendszer: granulátor kör

A dolgozatban egy konkrét folyamatrendszer, egy granulátor kör segítségével muta-tom 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] köz-lemények alapján.

2.5.1. Granulátor kör

A granuláció [76], mint a részecskefeldolgozó iparág egyik fontos eleme, egy részecske-méret-növelő folyamat, amelyet széles körben alkalmaznak például a gyógyszeripar-ban, a mezőgazdaságban és a műtrágyagyártásban. A granuláció során részecskéket(por) vezetnek egy keverő egységbe, amely adagonként vagy folytonosan agglome-rálódik a ráfecskendezett folyékony kötőanyag által addig, amíg el nem készül agranulált termék. Az üzemekben a méretnövelő folyamat mellé további műveleteketkapcsolnak, úgy mint szárítás vagy hűtés, keverés, méretosztályozás, méretcsökken-tés, őrlés. Ezen műveletek együttesét granulációs körnek [26] nevezik. Egy tipikusgranulációs kör technológiai hatásvázlata látható a 2. ábrán.

Az általam vizsgált granulátor kört [16] a műtrágyagyártásban (NH4)H2PO4

monoammónium-foszfát (MAP) és (NH4)2HPO4 diammónium-foszfát (DAP) elő-állítása használják, amelynek a fő berendezéseit az alábbiakban részletezem.

20

Granulátor dob A granulátor dob egy granulátor kör legfontosabb eleme . DAPelőállításához a műtrágya alapanyagát (MAP, DAP, H2O elegye) betáplálják a dob-ba a granulátor kör további berendezéseitől visszacsatolt részecskékkel együtt. Areakció

NH3 + (NH4)H2PO4 → (NH4)2HPO4 + hő

tökéletes végbemenetele érdekében ammóniát fecskendeznek be a dobba, amely re-akcióba lép a MAP-pal és a végtermék DAP lesz. A reakció mellett a dobban arészecskék mérete növekszik rétegződéssel, összetapadással vagy csökken töréssel.

Szárító A legtöbb műtrágya előállító granulációs folyamat forgó dobot használ aműtrágya szárításához, amelyben a szárító egy ellenáramú gőzáramon viszi keresztüla részecskéket.

Rosták A részecskék méret és alak szerinti osztályozását a rosták végzik. Azosztályozással kiválogatják a terméknek megfelelő méretű szemcséket, a maradékotpedig visszaforgatják (visszacsatolják) a rendszerben, és a friss betáplálással együtta granulátor dob bemenetére adják.

Törő A nagy méretű részecskéket egy törő vagy őrlő berendezéssel apróra zúzzák ésezt vezetik vissza a granulátor dobba a rosták által kiszűrt nagyon apró szemcsékkelvegyítve.

A granulátor körben az egységek közötti kapcsolatot részecskeáram biztosítja, ame-lyet annak hőmérsékletével, nyomásával, tömegáramával és az egyes szemcse méret-osztályokba eső részecskeszámmal lehet jellemezni.

2.5.2. A granulátor dob berendezés szintű modellje

A granulátor dob egység berendezés szintű modelljének megadásához a következőmodell egyenleteket használtam fel munkám során, amelyek Balliu (2005) [16] érte-kezésében részletesebben is megtalálhatóak.

A berendezés szintű modellhez a granulátor dobot tökéletesen kevert mérlegelésitérfogatokból (a folyadék és a szilárd fázis mérlegelési térfogatok) állónak tételezzükfel, amelyekre összes tömeg, komponens tömeg és energiamérleg egyenleteket írunkfel.

Összes tömeg mérlegek

• folyadék fázis:

dML

dt= FL,in + FSL + fNH3

− FevapH2O − FL,out − mcrystals (15)

• szilárd fázis:

dMS(i)

dt= FS,in(i) + F

MAP,solSL (i) + F

DAP,solSL (i) − FS,out(i)

+ mcrystals(i) + Agg(i) + Lay(i) − Break(i)

i = 1, 2, . . . 20 (16)

21

Komponens tömeg mérlegek a folyadék fázisban:

dmMAP

dt= F MAP

L,in + F MAPSL − F MAP

L,out − c1 · rMAP/DAP (17)

dmDAP

dt= F DAP

L,in + F DAPSL − F DAP

L,out − mcrystals + c2 · rMAP/DAP (18)

dmH2O

dt= F H2O

L,in + (1 − ϕ)F H2OSL − F H2O

L,out − FevapH2O (19)

Energia mérlegek

• folyadék fázis:

dEL

dt= EL,in + ESL + ENH3

+ c2 · ∆H · rMAP/DAP

− EevapH2O − EL,out − ELS − mcrystals · ∆Hcrys (20)

• szilárd fázis:

dES

dt= ES,in + E

MAP,solSL + E

DAP,solSL − ES,out(i) + ELS + Ecrystals

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) egyen-letek alkotják az állapottér modell állapot egyenleteit az alábbi állapotvektorral:

x =[

mMAP mDAP mH2O ML MS(i) EL ES

]T

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

A bemeneti változók, a beavatkozó változók és zavarások pedig az alábbiak:

u = [ F MAPSL F DAP

SL F NH3

SL F H2OSL F

MAP,solSL F

DAP,solSL TSL

F MAPSL F DAP

SL F NH3

SL F H2OSL TL,in FNH3

TNH3FS,in(i) TS,in TH2O

S,in ]T

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 Jelentése

mMAP a MAP tömege a folyadék fázisban

FMAPL,in a MAP betáplálási tömegárama a folyadék fázissal

FMAPSL a MAP oldat betáplálási tömegárama a zagy árammal

FMAPL,out a dobból kilépő MAP tömegárama a folyadék fázisban

c1 reakció sebesség együttható

rMAP/DAP az ammónia és a MAP közötti reakciósebesség

mDAP a DAP tömege a folyadék fázisban

FDAPL,in a DAP betáplálási tömegárama a folyadék fázissal

FDAPSL a DAP oldat betáplálási tömegárama a zagy árammal

FDAPL,out a dobból kilépő DAP tömegárama a folyadék fázisban

mcrystals kristályosodási sebesség

c2 reakció sebesség együttható

mH2O a H2O tömege a folyadék fázisban

FH2OL,in a H2O betáplálási tömegárama a folyadék fázisba

ϕ a víz eltávozó hányada a zagy tömegáramából

FH2OSL oldott H2O betáplálási tömegárama a zagy árammal

FH2OL,out a dobból kilépő H2O tömegárama a folyadék fázisban

FevapH2O az elpárolgott víz tömegárama

ML folyadék fázis tömege

FL,in a dobba belépő folyadék fázis tömegárama

FSL a folyadék fázisba beáramló zagy tömegárama

fNH3a folyadék fázisba abszorvbeálódó ammónia tömegárama

FL,out a dobból kilépő folyadék fázis tömegárama

MS(i) a szilárd fázisban a dobban maradó tömeg mennyisége minden egyes i részecske

méret intervallumban

FL,in(i) a szilárd fázis betáplálási tömegárama minden egyes i részecske méret

intervallumban

FMAP,solSL (i) a zagy áramból minden egyes i részecske méret intervallumba lerakódó

MAP kristályok tömegárama

FDAP,solSL (i) a zagy áramból minden egyes i részecske méret intervallumba lerakódó

DAP kristályok tömegárama

mcrystals(i) kristályosodás sebessége minden egyes i részecske méret intervallumban

FS,out(i) a dobból kiáramló szilárd fázis tömegáram minden egyes i részecske méret

intervallumban

Agg(i) agglomeráció minden egyes i részecske méret intervallumban

Lay(i) rétegződés minden egyes i részecske méret intervallumban

Break(i) törés minden egyes i részecske méret intervallumba

EL a folyadék fázis energiája

EL,in a dobba belépő folyadék fázis energiája

ESL a folyadék fázisba abszorbeálódó zagy energiája

ENH3a folyadék fázisba abszorbeálódó ammónia energiája

∆H reakcióhő

EevapH2O az elpárolgó víz energiája

EL,out a dobból kilépő folyadék fázis energiája

ELS a folyadék és szilárd fázisok közötti energiaátadás

∆Hcrys kristályosodási hő

ES a szilárd fázis energiája

ES,in a teljes szilárd fázis energiája a dobban

EMAP,solSL a MAP kristályok tömegáramának energiája a zagy áramban

EDAP,solSL a DAP kristályok tömegáramának energiája a zagy áramban

ES,out(i) a dobból kiáramló teljes szilárd fázis kiáramlási energiája

Ecrystals kristályosodási energia

3. táblázat. A granulátor dob modelljében szereplő változók listája

23

A =

0 0 ⋆ ⋆ ⋆ · · · ⋆ 0 0⋆ ⋆ ⋆ ⋆ ⋆ · · · ⋆ ⋆ 00 0 ⋆ ⋆ ⋆ · · · ⋆ ⋆ 0⋆ ⋆ ⋆ ⋆ ⋆ · · · ⋆ ⋆ 0⋆ ⋆ 0 ⋆ ⋆ · · · ⋆ ⋆ 0⋆ ⋆ ⋆ ⋆ ⋆ · · · ⋆ ⋆ ⋆

⋆ ⋆ 0 ⋆ ⋆ · · · ⋆ ⋆ ⋆

(25)

B =

⋆ 0 0 0 0 0 0 ⋆ 0 0 0 0 ⋆ 0 0 0 00 ⋆ 0 0 0 0 0 0 ⋆ 0 0 0 ⋆ 0 0 0 00 0 0 ⋆ 0 0 ⋆ 0 0 0 ⋆ 0 0 0 0 0 0⋆ ⋆ ⋆ ⋆ 0 0 ⋆ ⋆ ⋆ ⋆ ⋆ 0 ⋆ 0 0 0 00 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 00 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 karakterisztikusméreteit vagy időállandóit, akkor öt különböző skála szintet különböztethetünk megmindkét skála mentén [57], ahogy az a 3. ábrán látható. Az alsó négy szint agranulátor 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 karakterisztikusméret- és időskálái között. Általánosságban a magasabb méretszintekhez maga-sabb szintű karakterisztikus idők feleltethetők meg. Egy kivétel ezen szabály alól aGranule bed, Vessel és a Granule szintek idő-méret skála kapcsolata. Ennek ma-gyarázata, hogy a szemcsékre jellemző mechanizmusoknak egy közvetlen erős hatásavan magasabb szinteken lévő dinamikus tulajdonságokra, amely ily módon jelenikmeg.

Ezen kívül megfigyelhető egy elkülöníthető szétválás egy kis átlapolódással a ka-rakterisztikus méretekben a Particle és Granule szintek között is. Ez lehetővéteszi, hogy a teljes modellt részmodellekre bontsuk az időskála mentén. A részmo-dellekre bontható eset az, ahol a granulációs folyamatok többléptékű modellezésehelyet 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 külön-böztethető meg:

• Vessel szint: a teljes dobVáltozók: koncentrációk a szemcsékben (ál-szilárd) és a kötőanyag (folyadék)fázisokbanMechanizmusok: áramlás és fázisváltozásokAz (15)-(21) modellegyenletek egy egyszerű Vessel szintű modell egyenletei.

• Granule bed szint: a dob egy szeleteVáltozók: szemcsék részecskeméret eloszlása, komponens: egy mérettarto-mányMechanizmusok: fázisváltozások, részecske áramA 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 szemcseVáltozók: szemcsék mérete és összetétele az időbeli pozícióvalMechanizmusok: reakció, növekedés, törés, egyesülés ütközésselA szemcse szintű modellel a dob egy szeletének modelljében szereplő forrásta-gok (pl. Agg, Lay, stb.) analitikus közelítő alakja határozható meg [55].

• Particle szint: részecske és kötőanyagVáltozók: részecskék mérete, alakja és porozitásaMechanizmusok: részecskén belüli folyamatok, adszorpció-deszorpció, felületireakció, stb.

A granulátor dobban elkülönített modellezési szinteket és a szintek közötti infor-mációcserét a 4. ábra szemlélteti.

25

Circuit

Vessel

Granule bed

Granule

Mass fraction of solidMass fraction of liquid

Particle propertiesBinder properties

Success of coalescence

Granule massesGranule velocitiesGranule moisture

content and porosity

Nucleation rateCoalescence kernelResidence time

Granule mass flow rateProduct granule sizedistributionGranule moisture

Powder feed ratePowder size distribution

Binder addition rate

Drum design detailsDrum speed

Granule flow rateGranule size distribution

Binder flow rateBinder droplet size and

spray pattern

Production rateMean granule sizePower consumptionRecycle ratioProduct losses

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

A granulátor dob többléptékű modelljeinek előállítása a Függelék A fejezetébenismertetett és bemutatott hőcserélő különböző részletezettségű modelljeinek előállí-tásához hasonló módon történik. Gordon Ingram PhD dolgozata [55] részletesen istartalmazza egy többléptékű granulátor modell fenti 4 szintjére felírt modellegyen-leteit.

2.5.5. A granulátor dob modellhez kapcsolódó változók és szimp-tómák

A 4. táblázat tartalmazza a granulátor dob HAZOP analízise eredményei alapjánmeghatározott változókat és szimptómákat.

A granulátor dob skálatérképe alapján minden szimptóma és a hozzá kapcsolódóváltozók, amelyeket a 4. táblázat tartalmaz, hozzárendelhető a többléptékű modellmegfelelő szintjeihez. A hozzárendelés az 5. ábrán látható.

2.5.6. A granulátor kör HAZOP táblája

A dolgozat során használt granulátor kör HAZOP táblájának részleteit tartalmazzákaz 5., a 6. és a 7. táblázatok, amelyet a Division of Chemical Engineering, TheUniversity of Queensland bocsájtott a rendelkezésemre.

26

Változó Szimptóma

Binder Flow NONE

Binder Flow MORE

Binder Flow LESS

Binder Viscosity MORE

Binder Viscosity LESS

Solids Feed PSD NARROW

Solids Feed PSD WIDE

Solids Feed Flow NONE

Solids Feed Flow MORE

Solids Feed Flow LESS

Solids Feed Size MORE

Solids Feed Size LESS

Granulator Drum Speed NONE

Granulator Drum Speed MORE

Granulator Drum Speed LESS

Granulator Exit Distribution NARROW

Granulator Exit Distribution WIDE

Granulator Exit Flow NONE

Granulator Exit Flow MORE

Granulator Exit Flow LESS

Granulator Exit Size MORE

Granulator Exit Size LESS

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

Flowsheet: Granulation CircuitKey Process Variable: Decrease in average particle size (d50)

Guide Word Deviation Possible Causes Consequence Detection and ActionAverageParticle Size(d50)

LESS (1) Decrease in fresh feed size

(2) Decrease/loss of binder flow

…

� Decrease in system holup� Change in granulation condition

� Change in recycle PSD

…

(a) Decrease in d50 by onlineoptisizer, and increase infeed flow sensor reading

(b) change to original feedtype

(c) Check the binder flowsensor

(d) Recommend inspection ofbinder feed system andrestore ASAP

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

27

Fresh feed Binder

Recycle

Dryer

Screen _1

Screen _2

Recycle

Fresh feed Binder

Granulator

Gran_1 Gran_3Gran_2

valve_1 valve_3valve_2

Bindertank

Mixer

Screwfeed

Hopper

Recycleconveyor

��

Fresh feed flow rate (FFFR)��

PSD

Binder flowrate (BFR)

Level

��

PSD��

Recycle ratio (RR)

��

Granulator exit flow (GEF)��

Average particle size (d50)��

GSD

Granulatordrum speed

Granulator

Crusher

Air_in Air_out

Product

LESSd50

MOREd50

LESSBFR

MOREBFR

NONEBFR

LESSGEF

MOREGEF

NONEGEF

LESSGSD

MOREGSD

WIDEGSD

LESSvg_drum

MOREvg_drum

NONEvg_drum

NONELevel

LESSRR

MORERR

WIDEPSDRec

NARROWPSDRec

LESSFFFR

MOREFFFR

WIDEPSDFF

NARROWPSDFF

Binder flowrate (BFR)

Binder flowrate (BFR)

NARROWGSD

5. ábra. A szimptómák hierarchiája

28

Flowsheet: Granulation CircuitKey Process Variable: Granulator Exit Size

Guide Word Deviation Possible Causes Consequence Detection and ActionGranulatorExit Size

MORE (1) High binder viscosity

(2) High agitation intensity

(3) High nucleation, consolidationand granule growth rate

(4) Increase in successfulcolli sions

(5) Increase in residence time

� Increased d50� Upward shift in GSD� Increase in recycle

� Covered by (1)

� Covered by (1)

� Covered by (1)

� Covered by (1)

(a) Detection by increase ind50, shift upward in GSD

(b) Initiate stagewise check ofsetpoints for anyvariations

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

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

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

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

GranulatorExit 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 togranulate)

� Decrease in d50� Downward shift in GSD� Change in recycle

� Covered by (6)

� Covered by (6)

� Covered by (6)

� Covered by (6)

� Covered by (6)

(g) Detection by decrease ind50, shift downward inGSD

(h) Covered by (b)

(i) Covered by (g) and (h)

(j) Covered by (g) and (h)

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

(l) Covered by (g) and (h)

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

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

29

Flowsheet: Granulation CircuitKey Process Variable: Binder Flow

Guide Word Deviation Possible Causes Consequence Detection and ActionBinder Flow NONE (1) Binder nozzle blockage

(2) Feed valves closed in error

(3) Binder supply tank empty

(4) Binder supply pump failure

� Ungranulated powder� Change in granulation regimes Î

no granulation� Increase in dustiness� Decrease in d50� Increase in recycle ratio

� Covered by (1)

� Covered by (1)

� Covered by (1)

(a) detection by decrease ind50, and binder flow value

(b) possible online moisturedetection methods

(c) recommend inspection ofbinder feed system

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

(e) Covered by (d)

(f) Covered by (d)

Binder Flow MORE (5) Feed valve opened excess inerror or fails open, or sticksopen

� The recycle ratio goes through aminimum as liquid contentincreases

� Recycle ratio increases sharply atliquid content above the requiredonset of second stage granulation

� Decrease in granule porosity� Increase in d50� Widening of GSD� High moisture content ex

granulator and into recycle Îpossible screen blockages

� Crusher problems

(g) detection by increase ind50, but decrease in recycleratio

(h) consider online moisturemonitoring, and shifts inGSD

(i) high flow alarm on binder(j) recommend inspection of

product material forexcessive moisture

Binder Flow LESS (6) Feed atomiser blockage

(7) Feed reduced in error

(8) Sticking control valve

� Decrease in d50� Decrease in granulation� Change in granulation regime� Recycle most likely increase� Decrease in GSD ex granulator� Product too dry Î attrition and

dustiness� Increase in granule porosity

� Covered by (6)

� Covered by (6)

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

flow

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

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

Binder Flow MAL-DISTRI-BUTION

(9) Feed Atomiser blockage

(10) Damage to feed system

(11) Change in binder properties

� 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 dryunagglomerated material.

� Covered by (9)

� Covered by (9)

(o) Combination effects ofhigh and low binder flows.Will be dynamic problems

(p) Consider detection fromspread in GSD, andrecommend inspection ofbinder spray system

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

(r) Covered by (o) and (p)

7. táblázat. Kötőanyag áramára vonakozó HAZOP tábla

30

3. fejezet

Predikción alapuló diagnosztika Petrihálókkal

Amint azt már a 2.1 alfejezben láttuk, a predikción alapuló diagnosztikához szük-ség van egy dinamikus folyamatmodellre, amelyben a bizonytalan információk és atapasztalati tudás is leírhatók. Komplex, több műveleti egységet tartalmazó folya-matrendszerek esetén azonban ez a modell túl bonyolult lehet, így a többléptékűmodellezési módszer használata válik szükségessé. Ebben a fejezetben a 2.4 alfeje-zetben bemutatott többléptékű folyamatmodellek cél-vezérelt modellezési módsze-rét 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 egyegységes modellezési eszközt alkalmazom predikción alapuló diagnosztika céljaira. APetri hálók és a színezett Petri hálók a diszkrét eseményű rendszerek modellezéséreés szimulációjára használatos eszközök közül az egyik leghasznosabbnak tekinthe-tők. Ennek oka az, hogy egy kvalitatív differenciál algebrai egyenlet alakban adottfolyamatmodell egy színezett Petri hálóval reprezentálható. Ezen túlmenően a hie-rarchikus CPN-ek alkalmassá tehetők hierarchikusan integrált többléptékű modellekleírására is.

3.1. Petri hálók

A Petri hálók (Petri net) alapját 1962-ben Carl Adam Petri „Kommunikation mitAutomaten” című doktori tézisében [88] ismertette.

Ebben az alfejezetben áttekintést adok a Petri hálókkal kapcsolatos fogalmak-ról. A formális leírásokról részletesebben például Peterson (1981) [87] vagy Murata(1989) [81] áttekintő cikkében olvashatunk. Bővebb információk, publikációk, al-kalmazások, eszközök, szabványosítási folyamat a Petri Net Worlds [14] weboldalonrendszerezve találhatóak.

3.1.1. Alacsony szintű Petri hálók

A következőekben az alacsony szintű Petri hálókkal kapcsolatos fogalmakat ismer-tetem.

31

Petri hálók alapelemei

Egy Petri háló helyekből (place) és átmenetekből (transition) épül fel, illetve ezekegymáshoz való viszonyát írja le. Amíg a helyek a modellezett rendszer statikusrészét írják le, addig az átmenetek a rendszerben bekövetkező eseményekhez vagyváltozásokhoz kapcsolódnak.

A Petri hálók grafikus reprezentációja egy súlyozott irányított páros gráf, ahola helyeket körökkel, az átmeneteket téglalapokkal vagy dobozokkal jelöljük. Azátmenetek és helyek közötti logikai relációkat, azaz az események és azok előfeltéte-lei (precondition) és következményei (consequence) közötti kapcsolatokat irányítottélekkel reprezentáljuk. Egy egyszerű Petri háló látható a 6. ábrán.

p1

p2

p3

p4

t1

t2

6. ábra. Egyszerű Petri háló

Az átmeneteket tekinthetjük úgy, mint működési eljárások lépéseit vagy részlé-péseit, míg a helyek adják az előfeltételeit és következményeit ezeknek a lépéseknekegy diszkrét eseményű rendszerben.

Egy összetett rendszerben egy esemény valamely következménye egy másik ese-mény előfeltétele, ezért általánosságban a feltétel (condition) kifejezést használjukaz előfeltétel és a következmény helyett, egy Petri háló modellben pedig a bemenetihely(ek) (input place) és kimeneti hely(ek) (output place) kifejezésekkel szemlélte-tünk egy hely és egy átmenet közötti relációt.

Az előfeltételek bekövetkeztét (érvényességét) a helyeken elhelyezett tokenekvagy más néven jelzőpontok jelenlétével szemléltetjük.

A háló átmeneteinek tüzelésével (firing of transitions) a valós rendszer visel-kedését tudjuk követni: egy esemény bekövetkezhet, ha annak minden előfeltételeteljesül, azaz egy Petri hálóban egy átmenet engedélyezett (enabled), ha az összesbemenő helye érvényes (valid).

Az átmenet tüzelésekor (végrehajtásakor) megfelelő számú tokent elvesz az inputhelyekről illetve hozzáad az output helyekhez. A helyek és átmenetek közötti logikairelációk 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:

N = (P, T, F, W ) (27)

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 kimenetifüggvények, amelyek sorban az alábbi módon definiálhatók:

I : T → P∞, I(ti) = {pj ∈ P |(pj, ti) ∈ F es j = 1, . . . ni} , (28)

O : T → P∞, O(ti) = {pj ∈ P |(ti, pj) ∈ F es j = 1, . . .mi} . (29)

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

p1

p2

p3

p4

t1

t2

7. ábra. Petri háló jelölőkkel

Az M : P → N jelölő függvény (marking function) megadja a tokenek eloszlásátegy háló adott állapotában. Egy Petri háló egy kezdeti jelölővel PN = (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 tjátmenet minden pi bemeneti helyén:

M(pi) ≥ w(pi, tj) , ∀pi ∈ P

ahol w(pi, tj) az él súlya.

33

2. Egy engedélyezett átmenet tüzelhet vagy nem tüzelhet attól függően, hogy azátmenet által modellezett esemény a valós rendszerben bekövetkezik-e vagysem.

3. A tj átmenet tüzelésekor egy hely jelölő függvényének értéke csökken a helybőla tj átmenetbe irányított él súlyával; és növekszik azzal az élsúllyal, amely éla 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 előttés után.

p1

p2

p3

p4

t1

t2

p1

p2

p3

p4

t1

t2

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 hálókműködtethetők (futtathatók). Ezek a szimulációk (futtatások) információt szolgál-tatnak a rendszer dinamikájáról, amelyeket egy statikus modell vizsgálatából so-sem határozhatnánk meg. Rendszerelméleti szempontból az ún. diszkrét eseményűrendszerek [27], azaz a diszkrét idejű, diszkrét értékkészletű rendszerek dinamikusviselkedése írható le Petri hálókkal.

Petri hálók analízis problémái A Petri hálók tulajdonságai két fő csoportraoszthatók: viselkedési (behavioural) vagy jelölő-függő tulajdonságok és szerkezeti(structural) tulajdonságok, amelyek függetlenek a kezdeti jelölőtől, azaz a kezdetiállapottól.

A legfontosabb Petri háló tulajdonságok:

• Viselkedési tulajdonságok: kezdeti jelölőtől függnek (ezek a legérdekesebb tu-lajdonságok)

– elérhetőség (reachability)

– korlátosság (boundedness)

34

– ütemezhetőség (schedulability)

– élőség (liveness)

– megmaradás (conservation)

• Szerkezeti tulajdonságok: nem függnek a kezdeti jelölőtől (gyakran túl korlá-tozott)

– konzisztencia (consistency)

– szerkezeti korlátosság (structural boundedness)

– hely és átmenet invariánsok (place and transition invariants)

A Petri hálók tulajdonságairól részletesebben például Murata (1989) [81] cikké-ben olvashatunk.

3.1.2. Kiterjesztett Petri hálók

Az eredeti, alacsony szintű Petri hálóknak különféle kiterjesztései léteznek az al-kalmazási terület igényeinek megfelelően. Részletesebben tárgyalom a hierarchikusés a színezett Petri hálókat, a további kiterjesztési lehetőségekről pedig egy rövidáttekintést adok.

Hierarchikus Petri hálók Elég gyakran a Petri háló modellek hatalmas mére-teket öltenek, ezért az áttekinthetőség és használhatóság miatt felmerült az igény,hogy kisebb Petri háló modellek felhasználásával állítsuk elő az összetettebb rend-szermodellt, 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 kombinációlehet. A helyettesítő csomópontok kapcsolódnak egy-egy rész-modellhez (submodel)és reprezentálják annak működését. Az így felépített Petri hálókat hierarchikus Petrihálóknak (hierarchical Petri net) nevezzük. A rész-modell általában teljesen lecserélia helyettesítő csomópontot és az azt körülvevő éleket.

p fi l l_up treaction p ready

theat tcoolp react

p rA taddA

p rB taddB

pA

t fill

pB

p f i l led

9. ábra. Petri háló elemeinek dekompozíciója

A rész-modellek jól definiált módon [51, 71, P4] kapcsolódnak egymáshoz. Ezeka hierarchia konstrukciók egyáltalán nem függetlenek egymástól, gyakran lehetősé-günk van választani közülük annak függvényében, ahogy az aktuális modellezési céltteljesítsük. 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 felhasználó-nak, hogy a csomóponthoz egy összetettebb Petri hálót kapcsoljon, amelyet részhá-lónak (subnet) nevezünk. A részháló általában egy sokkal pontosabb és részletesebbleírását adja a helyettesített csomópont által reprezentált tevékenységnek.

Egy magas szinten modellezett rendszernek az áttekintő Petri hálója az ún. fő-háló (supernet), amely egy Petri háló mindenféle részhálók behelyettesítése nélkül.Az egész Petri hálót, amely tartalmazza a összes részhálót, teljes hálónak (completenet) nevezzük. Németh et al. (2004) [P4] közleményében megtalálható a részhálóhalmazainak pontos formális definíciója, értelmezése és kapcsolata a főháló halma-zaival.

Színezett Petri hálók A színezett Petri háló (coloured Petri net) [64, 61] az ala-csony szintű Petri háló kiterjesztése oly módon, hogy a tokenek között különbségetteszünk. Kezdetben csak színes pontokkal különböztették meg tokeneket, de az időelőrehaladtával már adattípusok, majd komolyabb adatstruktúrák jellemeznek egy-egy tokent. Ezzel a kiterjesztéssel sokkal összetettebb, bonyolultabb modelleket isképesek vagyunk leírni tömör formában.

A formális definíció szerint egy színezett Petri háló (CPN) [61] egy rendezett9-es:

CPN = (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) ne-vezzük

(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 elemeihezdefiniált kifejezések úgy, hogy

∀t ∈ T : [Type(G(t)) = Bool ∧ Type(V ar(G(t))) ⊆ Σ]

(viii) E él függvény (arc function). Az él függvények az A halmaz elemeihez definiáltkifejezések úgy, hogy

∀a ∈ A : [Type(E(a)) = C(p(s))MS ∧ Type(V ar(E(a))) ⊆ Σ]ahol p(a) az N(a) helye és CMS jelöli az összes C feletti multi-halmaz halmazát

36

(ix) IN egy kezdeti függvény (initialization function). Ezt a P halmaz elemeihezdefiniált kifejezésekkel adjuk meg úgy, hogy

∀p ∈ P : [Type(IN(p)) = C(p(s))MS ∧ V ar(IN(p)) = ∅]

ahol:Type(expr) jelöli egy kifejezés típusát,V ar(expr) jelöli egy kifejezésben lévő változók halmazát,C(p)MS jelöl egy C(p) feletti multi-halmazt.

Egy t átmenet kötése (binding) egy b függvény, amely a V ar(t)-n definiált akövetkezőképpen:

(i) ∀v ∈ V ar(t) : b(v) ∈ Type(v),

(ii) G(t)<b> 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)-veljelöljük t összes lekötésének halmazát. Az összes token elemet TE-vel, míg az összeskötési elemet BE-vel jelöljük.

Egy jelölő (marking) egy TE feletti multi-halmaz, míg egy lépés (step) egy nem-üres véges multi-halmaz BE felett. Az M0 kezdeti jelölő (initial marking) egy olyanjelölés, amelyet a kezdeti kifejezések kiértékelésével kapunk.

Egy átmenetet engedélyezettnek (transition is enabled) nevezünk, ha mindenegyes bemeneti helye ugyanazt a bemeneti élen definiált multi-halmazt tartalmazza(lehetőleg egyesítve az őrfeltétellel) és az őrfeltétel igazra értékelődik ki. Amikoregy átmenet engedélyezett, akkor „megtörténhet” (occur), és ez azt jelenti, hogya bemeneti helyekről a tokeneket elvesszük és a végrehajtódó átmenet kimenetihelyeihez adjuk. A tokenek színe és száma az élkifejezések által meghatározott, és akötések végrehajtásával értékelődnek ki.

Az alacsony Petri hálókra definiált fogalmak itt is megmaradnak, de a szín-halmaz bevezetésével módosulnak. Erről részletesebben Jensen (1997) [61, 62, 63]háromkötetes könyvsorozatában olvashatunk.

A színezett Petri hálókról egy rendszerezett oldal található a University of AarhusDepartment of Computer Science (Dánia) honlapján [8].

Időzített Petri hálók Egy rendszer viselkedésének pontosabb leírásához szüksé-ges lehet az események sorrendjén kívül időkésleltetési adatok megadása is, amelyadatok döntő hatást gyakorolnak az időbeli lefolyásra. Az idő (time) bevezetésévela Petri hálók egy új osztályát kapjuk, melyet időzített Petri hálónak (timed Petrinet) nevezünk.

Sztochasztikus Petri hálók Az időzített Petri hálók továbbfejlesztett változataia sztochasztikus Petri hálók. Sztochasztikus idők és valószínűségek alkalmazásánaklehetőségével a Petri hálók egy általánosabb kiterjesztését kapjuk.

37

Folytonos Petri hálók Diszkrét helyek és átmenetek helyett lehetőség van foly-tonos helyek és átmenetek alkalmazására. Ilyenkor a jelölőhalmaz nem egy végeshalmaz, hanem valós értékű tokeneket alkalmazunk, a folytonos átmentek pedigfolyamatosan tüzelnek, ha van bemenetük.

Hibrid Petri hálók Hibrid Petri hálóról beszélünk, ha a diszkrét elemek melletta folytonosak is megjelennek. Ilyenkor általában a diszkrét rész valamilyen diszkrétbeavatkozást vagy eseményt jelöl egy folytonos rendszermodell esetében.

Egyéb Petri hálók A fentebb részletezett Petri háló kiterjesztések mellett meg-találhatjuk azok kombinációját is, úgy mint színezett időzített hierarchikus Petriháló 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 diag-nosztikai problémák modellezésére. Elsőként Portinale (1993) [90] közölt megoldásta diagnosztikai problémák Petri háló alapú modellezésére és megoldására abban azesetben, ha a diagnosztikai problémát datalog szabályok [45] formájában modellez-zük. Ebben az esetben a helyeket a belső hibaállapotok, a meghibásodásokat a forrásátmenetek, a megfigyelhető hibajelzéseket pedig a nyelő átmenetek reprezentálják.A forrás és a nyelő átmeneteket összekötő Petri háló a hiba terjedési folyamatait írjale. A Petri háló alapú diagnosztikai rendszerben a tokenek a forrás átmenetektőlindulnak, a nyelőkig terjednek, és ezután távoznak a rendszerből. Így a diagnosz-tikai probléma átmenet invariánsok kiszámításával oldható meg mátrix eliminációstechnikák felhasználásával.

Szücs et al. (1996, 1998) [106, 107] közleményeiben egy olyan Petri háló alapúintelligens diagnosztikai rendszert ismertet, amely esemény-orientált diagnosztikaimódszertanon nyugszik. A vizsgált meghibásodásokban a folyamatrendszer dinami-kus viselkedését ok-okozati események sorozataként Petri háló segítségével írja le.Egy tanulási módszer felhasználásával a részlegesen nem ismert dinamikus modellrészeket a megfigyelt eseménysorozattal finomítani lehet. A valós idejű diagnosztikaa folyamatrendszer színezett Petri háló modelljén, az elvárt működési folyamatok ésa megfigyelt eseménysorozatok összehasonlításán alapszik.

A Petri hálók hibadiagnosztikai felhasználásának egy másik módja az összefüggőhibafák ábrázolása és azok elemzése. Ezzel a tématerülettel foglalkozik Zouakia etal. (1999) [126] közleménye, amelyben nem csak a hibafák Petri hálóval való leírásáttárgyalja, hanem egy új algoritmust mutat be összefüggő hibafák minimális vágásokhalmazának meghatározására. Figyelmet szentel a nagy méretű hibafák kezelésénekkomplexitási problémájára, amelyet modularizálással és hierarchiákba szervezésselold meg.

Petri hálók alkalmazásának lehetőségét az eset alapú következtetés (case-basereasoning, 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 visszakeres-ni lehetséges esetet. Az általuk felhasznált CBR előnye, hogy nem kell semmilyenkomplikált szabályok formájában általánosítani a tudást. Az összetett rendszer újmeghibásodási esetek hozzáadásával pontosabb megoldásokra képes. CBR rendsze-rekben a Petri hálók alkalmazása lehetőséget biztosít az adatok revíziójára.

Petri hálók más mesterséges intelligencia területén alkalmazott technikákkal kom-binálva (például fuzzy következtetések [85], neurális hálók [91]) szintén lehetőségetbiztosítanak hibadiagnosztikai felhasználásra. Ezen esetekben a Petri háló általábancsak 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 modellezésimódszer, amely ok-hatás kapcsolatok leírására alkalmas. Az SDG ok-okozati isme-retek leírására széles körben alkalmazott eszközök a hibadiagnosztika területén. Egyáttekintést találhatunk az SDG-k hibadiagnosztika területén történő alkalmazásárólVenkatasubramanian et al. (2003b) [115] közleményében.

Néhány közlemény [111, 101, 118] foglalkozik Petri háló modellek automatizáltHAZOP analízisre való felhasználásával, amelyben HAZOP-digráf (HDG) modelle-ket használnak fel a diagnosztikai feladat végrehajtásához. A HDG tekinthető úgy,mint az SDG egy kiterjesztése, ahol az SDG-ben szereplő, a folyamatrendszer válto-zóit reprezentáló csomópontokon és a változók közvetlen kapcsolatait definiáló élekenkívül a HDG tartalmazza a hazárd azonosításához szükséges abnormális ok és károskövetkezmény csomópontokat is, amelyeket a HAZOP analízishez használnak. Ezeka csomópontok kapcsolódnak a folyamatváltozókhoz. A HAZOP analízis a megfele-lő HAZOP vezényszavak felhasználásával a folyamatváltozókban szereplő devianciákgenerálásával indítva és a HDG-n végigterjesztve az összes lehetséges káros követ-kezmény megtalálásával történik. Többszörös hibák detektálásának problémakörétVedam and Venkatasubramanian (1997) [114] közleménye tárgyalja.

Az irodalomban fellelhető közlemények között találhatók olyanok is, amelyekbenszintén Petri háló modelleket alkalmaznak automatizált HAZOP analízisre [101,112, 102], azonban a teljes diagnosztikai rendszert valamilyen szakértői rendszerkörnyezetben implementálták.

3.3. Egy színezett Petri háló alapú diagnosztikai ke-retrendszer

3.3.1. A diagnosztikai keretrendszer elemei

Mint azt már a 2.1.3 alfejezetben bemutattam, a diagnosztikai rendszerben szereplőismeretek egyrészt a rendszert leíró modellt, másrészt a HAZOP táblából származóinformációkat tartalmazzák. A színezett Petri hálón alapuló diagnosztikai keret-rendszerben mindkét típusú ismeretet CPN formában ábrázoltam, így egy homogénrendszerhez jutottam. A szimptómák, a gyökér okok és a rendszer modell egymástóltisztán elkülöníthetők, de megmaradnak a köztük lévő kapcsolatok.

39

3.3.2. A keretrendszer szerkezete

A javasolt többléptékű diagnosztikai rendszer megvalósításához az alábbi specifikustudáselemek szükségesek:

• szimptómák,

• gyökér okok és megelőző beavatkozások,

• hierarchikus (többléptékű) modell.

A fenti tudáselemek közötti HAZOP táblából származó ok-okozati kapcsolatok „if-then” alakú szabályokkal írhatók le.

A CPN modellben elválasztható az alábbi három információtípus, amelyet háromrétegben különítettem el [P1, P3, P5]:

• hierarchikus modell (többléptékű modell) réteg,

• szimptóma azonosítás réteg,

• gyökér okok meghatározása réteg.

Hierarchikus modell

Gyökér okok meghatározása

������� ����� ��������� ������ �������

Szimptóma azonosítás

10. ábra. Rétegek és kapcsolataik a hierarchikus CPN modellben

A 10. ábrán látható a három réteg és a köztük lévő kapcsolatok. A rétegek kö-zötti információcserét összevont helyekkel (fusion place) valósítottam meg, amelyekmegosztják az értékeiket a megfelelő rétegek között.

A hierarchikus modell egy mérhető vagy megfigyelhető változója egy összevonthalmaz (fusion set) elemeként továbbítja az értékét a „szimptóma azonosítás” réteg-hez. Ehhez hasonlóan a felismert szimptómák további feldolgozásra továbbítódnaka „gyökér okok meghatározása” réteghez. A gyökér okok meghatározása után aHAZOP tábla ismereteit használom fel, hogy szükséges beavatkozás(oka)t találjak,amely(ek) visszaviszi(k) a rendszert a normális működési tartományába, mielőtt méga kritikus meghibásodások vagy hibák bekövetkeznének.

40

3.3.3. A keretrendszer működése

A predikciós diagnosztikai rendszerben a modell alapú hiba detektálás, a diagnosz-tika és a veszteségmegelőzés lépései egy ciklusba szerveződnek, amelynek fő lépéseia következők:

(1) Mérések begyűjtése és szimptóma detektálásA vizsgált rendszerből érkező mért jeleket és a köztük lévő kapcsolatokat fel-használva a lehetséges szimptómákat határozza meg.

(2) Hiba detektálásA detektált szimptómákhoz kapcsolódó releváns hierarchia szintet és/vagyrész-modellt találja meg felhasználva a modell és a HAZOP táblában szereplőinformációk hierarchiáját és kapcsolatát leíró Petri háló elemeket.

Azután a lehetséges oko(ka)t határozza meg a Petri hálóval modellezett logikaikapcsolatokkal.

Figyelembe veszi azt is, ha egy egyszerű okhoz összetett szimptóma, vagyha egy egyszerű szimptómához több ok tartozik. Ezeken kívül a lehetségesokokhoz tartozó lehetséges megelőző beavatkozásokat is meghatározza.

(3) VeszteségmegelőzésA detektált hibá(k)hoz minden lehetséges megelőző beavatkozásra javaslatottesz, amellyel a rendszert visszaviszi a normális működési tartományba.

(4) vissza az 1. lépéshez.

A fenti ciklikus folyamat minden egyes diagnosztikai időlépésben egyszer hajtó-dik végre. A diagnosztikai eljárás lépései és azok kapcsolata a diagnosztikai rendszertovábbi elemeivel Petri háló elemek formájában reprezentáltak, így a Petri háló mű-ködése valósítja meg a diagnosztikai lépéseket.

3.3.4. Predikció

A „veszteségmegelőzés” lépésben a lehetséges megelőző beavatkozások kipróbálásadinamikus szimulációval megvalósított predikció segítségével történik. A predikci-óhoz szükséges a diagnosztizálandó folyamatrendszert reprezentáló modell, amelyáltalában koncentrált paraméterű (nemlineáris) folytonos idejű állapottér modellformájában adott. A rendszer dinamikus viselkedésének Petri hálóval történő ana-líziséhez 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 kezdetifeltétel, f az állapotfüggvény, g a kimeneti függvény, k az idő.

A színezett Petri háló modellek alkalmasak a hierarchikus modellek leírása mel-lett a színezések felhasználásával elég finom kvalitatív modellek kezelésére is. Ezért

41

InStream

LSTREAMP In

Stream_1

LSTREAM

Gran_1

HS Gran_i#7Stream_1->OutputInStream->InputBinder_1->Binder

Gran_2

HS Gran_i#7Stream_2->OutputStream_1->InputBinder_2->Binder

Stream_2

LSTREAM

Gran_3

HS Gran_i#7Stream_2->OutputBinder_3->BinderStream_2->Input

OutStream

LSTREAMP Out

Binder_1INT

P In

Binder_2INT

P In

Binder_3INT

P In

Gran_exit_stream

LSTREAM

FG

Gran_exit_stream

Stream_2

LSTREAM

transferstream stream stream

water waterwater

stream stream stream

stream

11. ábra. A granulátor dob CPN részhálója

a predikcióhoz felhasznált diszkretizált modellt Petri háló formájában valósítottammeg, ahol a helyek reprezentálják a modellben szereplő változókat, az élek és azátmenetek pedig leírják a változók közötti kapcsolatot (a differencia és az algebraiegyenleteket). A 11. ábra a granulátor dob modelljének felső szintjét leíró Petri há-lót mutatja be. A rendszermodell leírható hierarchikus formában is a diszkretizáltmodell méretétől és a szerkezetétől függően.

Az ilyen módon megvalósított Petri háló modellt használtam fel a valós rendszerszimulációjához 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 isalkalmazható, amely interfésszel (TCP/IP protokoll felhasználásával) kapcsolódik adiagnosztikai Petri háló-rendszert tartalmazó szoftverhez.

3.4. Esettanulmány: színezett hierarchikus Petri há-ló 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 diagnosztikairendszer megvalósításához a Design/CPN [3] színezett Petri hálók felhasználásárakészült eszközt választottam, amely háló építés mellett támogatja a szimulációt, azelérhetőségi 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 elkülö-nített három rétegre, azaz a modell, szimptóma azonosítás és gyökér okok meghatá-rozása 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 reprezen-tálják a rendszer bemeneti-, kimeneti- és állapotváltozóit, a helyettesítő átmenetekpedig leírják a granulátor dobban lezajló folyamatokat.

42

Gran_exit_stream

LSTREAM

FG

Gran_exit_stream

Distrib_function

LSTREAM

CalculateC

Locate_d50 C

d50

LSTREAMnull(5)

Symptomd50 C

d50UP

BOOLfalse

FG

D50_MORE

d50DOWN

BOOL

false

FG

D50_LESS

New_Data_

Available

BOOL

GSDRIGHT

BOOL

FG

GSD_RIGHT

false

GSDLEFT/RIGHT C

GSDLEFT

BOOL

FG

GSD_LEFT false

GSD

LSTREAMnull(5)

stream2‘stream_1stream

d50

head::List.take(d50,4)

stream stream

up2

down2

up

down

1‘true

2‘true

left_2

right_2

stream

1‘true

GSD

GSD

left_1right_1

12. ábra. A szimptóma azonosítás réteg egy CPN részhálója

A 12. ábrán egy példa látható a szimptóma azonosítás réteg egy részére. A pél-da a granulátor dobból kilépő részecskefolyam (Gran_exit_stream hely) értékébőlmeghatározza a részecske méret eloszlást (Distrib_function hely), majd kiszámít-ja annak középértékét (d50 hely). A Symptom d50 átmenet ellenőrzi, hogy a d50

változó értéke elmozdult-e felfelé vagy lefelé, és ekkor a megfelelő szimptómát repre-zentáló helyre (d50 DOWN vagy d50 UP) egy token kerül. A szimptómáknak megfelelőhelyek összevont helyek, így továbbítódik a szimptóma megjelenése a gyökér okokmeghatározása rétegekbe.

A 13. ábrán szemléltetem a gyökér okok meghatározása réteg egy töredékét. Ad50 LESS hely, amely a szimptóma azonosítás rétegben szereplő d50 LOW hellyelvan összevonva, a „d50 = LESS” szimptómának felel meg. Hasonlóan az RR MORE

hely is egy szimptómát reprezentál, amely a „Recycle = MORE” szimptómával azo-nosítható. 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 általreprezentált „Binder flow less” okot találja meg, melyhez a javasolt beavatkozás aBinder-flow-rate rendszerváltozó értékének megnövelése.

3.4.2. Ismeretek reprezentálása

Egy szimptómát, amely a HAZOP tábla első két oszlopával fejezhető ki, a diag-nosztikai rendszer Petri hálójában egy hellyel reprezentáltam. A HAZOP táblábólvisszafejtettem a lehetséges okokat és meghatároztam a szimptómák és a gyökér okokközötti logikai kapcsolatokat, amelyet 14. ábrán láthatunk. Ezeket a HAZOP táb-lákon értelmezhető logikai kapcsolatokat írtam le Petri háló segítségével. Végezetüla gyökér okokhoz rendeltem a beavatkozási lehetősége(ke)t.

43

d50LESS

BOOLFG

D50_LESS

d50MORE

BOOLFG

D50_MORE

RRMORE

BOOLFG

RR_MORE

Binder Flow LESS

BOOL

v_drumLESS

BOOLFG

v_drum_LESS

AND

[b1 andalso b2]

OR

[b1 orelse b2]

AND

[b1 andalso b2]

Tech

BOOL

GSDLEFT

BOOLFG

GSD_LEFT

GranulatorMoistureContent

LESS

BOOL

GranulatorRetentionTi

Time LESS

BOOL

AND

[b1 andalso b2]

OR

[b1 orelse b2orelse b3]

Tech

BOOL

TechBOOL

GranulatorExitFlowLESS

BOOL

Up Binder

Flow Rate

[b1 orelse b2 orelse b3]

BinderFlow Rate

INT

FG

BFR

DownFreshFeed FlowRate

[b1]

FreshFeedFlow Rate

INT

FG

FFFR

UpFreshFeedFlowRate

[b1]

Up v_drum

[b1]

v_drumINT

FG

v_drum

b1b2

true

b2

b1

truetrue

b1

b2

true

b2

b1

true

b1

b3

true

b2

true

b1b2

b3

new_valueold_valuenew_valueold_value

b1b1

old_value

new_value

new_valueold_value

b1

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

44

NONELevel

Fresh feed flowNONE

NONEFFFR

Fresh feed flowMORE

MOREFFFR

Granulator exit flow distribution

NARROW

WIDEGSD

Granulator exit flow distribution

WIDE

Granulatormoisture content

MORE

MOREd50

LESSRR

LEFTGSD

Binder flow MORE

Granulatormoisture content

LESS

Binder flowLESS

Binder flowNONE

LESSBFR

NONEBFR

MORERR

LESSd50

LEFTGSD

NONEGEF

NONEvg_drum

Granulation drum speed

NONE

MOREvg_drum

Granulation drum speed

MORE

Granulation drum speed

LESS

LESSvg_drum

Fresh feed sizeMORE

LESSPSDRec

Granulationexit flowLESS

LESSFFFR

Fresh feed flowLESS

Granulationexit flowNONE

NONEGEF

Granulatorretention time

MORE

Granulatorretention time

LESS

Granulatorretention time

NONE

Granulatorexit sizeLESS

Granulatorexit sizeMORE

MOREGSD

LESSGSD

NARROW

GSD

14. ábra. Szimptómák és gyökér okok kapcsolata

3.4.3. Diagnosztikai eredmények

A 3.4.1 fejezetben ismertetett hierarchikus színezett Petri hálókon alapuló rendszerthasználtam fel a granulátor dob működésének szimulációjára, valamint diagnosztikaicélból szimptóma detektálásra és gyökér okok meghatározására. A 3.3.3 fejezetbenbemutatott módszer lépéseinek és eljárásainak illusztrálására egy összetett esetetmutatok be, amely több szimptóma együttes detektálásán és kezelésén alapul.

Vizsgáljuk meg azt az esetet, amikor a rendszer a következő szimptómákat de-tektálja (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 gyökérok(ok) meghatározhatók. Ezek a HAZOP táblákban szereplő információkból alakít-hatók ki. A logikán látható, hogy ha a (d50 Less) és (RR More) szimptómák logikaiÉS kapcsolatát kombináljuk a (GSD Shift Left) szimptómával, az két lehetségesokhoz 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 beavatkozástartozik.További vizsgálat során tekintsük azt az esetet, amikor a szimptómák előbb vizsgáltkombinációját együtt detektáljuk a (vg_drum Less) szimptómával. Ekkor még egylehetséges 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 andincrease the binder flow rate (ez utóbbi beavatkozás ugyanaz, mint az (1a)illetve (2a)).

Az (1’a) beavatkozással kapcsolatban fontos megjegyezni, hogy az ipari üzemek-ben a granulátor dob forgási sebessége nem változtatható, azonban a dob forgásisebességének megváltozása egy hiba lehet a rendszerben a motor részleges meghibá-sodása következtében.

A 6. táblázatbeli HAZOP tábla részlet alapján általános esetben az azonosítottgyökér okoknak megfelelő javasolt beavatkozások különbözőek. A bemutatott eset-tanulmány első részében azonban az azonosított (1) és (2) gyökér okokhoz tartozólehetséges beavatkozások megegyeznek, míg a második (1’a) esetben már nem egy-értelműek a lehetséges megfelelő beavatkozások. Ezért felmerül a kérdés, hogy ezutóbbi esetben hogyan válasszuk ki a megfelelő megelőző beavatkozást. Egyik lehet-séges megoldás az összes lehetséges megelőző beavatkozás kipróbálása külön-különvagy kombinálva a szimulációs környezetben dinamikus szimuláció (például predik-ció) 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 fentipéldában szereplő okok közötti feltételezett ok-okozati viszonyok így szimulációvalfeltérképezhetőek lennének.

3.4.4. A színezett Petri háló alapú diagnosztikai rendszer le-hetséges alkalmazási módjai

A fenti diszkussziót általánosíthatjuk abból a célból, hogy feltárjuk a javasolt szí-nezett Petri háló alapú diagnosztikai rendszer lehetséges alkalmazási módjait. Azelőző alfejezetben láthattuk, hogy a bemutatott CPN alapú diagnosztikai módszerkét különböző, de egymással kapcsolatban lévő célra is felhasználható, amelyek azalábbiak.

(1) A diagnosztikai rendszer a megfelelően struktúrált dinamikus rendszer leírásonkeresztül jó áttekintést ad a különböző rendszerhibákról és meghibásodások-ról, azok tovaterjedéséről és hatásaikról. Ezen problémák megoldása HAZOP-digráf modellek alkalmazásával már korábbi közleményekben (pl. [101, 112])

46

megjelent, ahol a HDG szerkezetéből adódóan vizsgálhatók a meghibásodá-sok lehetőségei. Ezek a vizsgálatok más, az általam bemutatott struktúráltrendszer leírással is megvalósíthatók lennének.

(2) A diagnosztikai módszert alkalmazva verifikálhatóak és validálhatóak a HAZ-OP eredmény táblában szereplő információk, eltávolíthatóak a nem szükségesinformációk, és a szimuláció által szolgáltatott új adatokkal a HAZOP ered-mény táblák kiegészíthetők.

A fentiek megvalósítása a dolgozatomban bemutatott kutatási eredmények le-hetséges továbbfejlesztési irányait jelöli ki.

3.5. Összefoglalás

Ebben a fejezetben a színezett hierarchikus Petri háló alapú predikción alapuló di-agnosztikával kapcsolatos fogalmakat, módszereket és saját kutatási eredményeimetismertettem a [P1], [P2], [P3], [P4] és [P5] közlemények alapján.

A Petri háló alapú diagnosztikai rendszer struktúráját és tudáselemeit tárgyaljaa 3.2.2 alfejezet. A diagnosztikai rendszerben használt információkat három ré-tegben különítettem el az információk típusa szerint: a hierarchikus (többléptékű)modell réteg, a szimptóma azonosítás réteg és a gyökér okok meghatározása réteg. Arétegeken belüli elemek a többléptékű modell hierarchiáját követik. A HAZOP táb-lából származó információkat „if - then” alakú szabályokká alakítottam, amelyek jólreprezentálhatók Petri hálóval. A szabályokban szereplő ok-okozati kapcsolatokatleíró predikátumok impliciten egymáshoz láncolják a szabályokat, ezáltal a HAZOPtáblában 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 mutat-

tam be a 3.3 alfejezetben. A diagnosztikai rendszer megvalósításához a Design/CPNszínezett Petri hálók építésére és használatára készült szoftver csomagot választot-tam, amely támogatja a hierarchikus modellépítést és a szimulációt.

47

4. fejezet

Predikción alapuló diagnosztikaszakértői rendszerrel

A predikción alapuló diagnosztika a valós idejű diagnosztikai rendszerekben haszná-latos egyik legjobb megközelítés, amely felhasználja a diagnosztizálandó üzem dina-mikus, kvalitatív és/vagy kvantitatív rendszer modelljét. A nagyméretű és bonyo-lult rendszerek esetében a diagnosztikához rendelkezésre álló információk különbözőforrásokból (például az üzemben működő folyamatfelügyelő számítógépes rendszeráltal mért adatok, operátori megfigyelések, tervezési alapadatok, szakértői értékelé-sek stb.) származnak. Ezért szükséges egy intelligens diagnosztikai eszköz, amelyképes:

- együtt kezelni a heurisztikus és az elméleti ismereteket,- szisztematikus eljárásokat (következtetéseket) használ heurisztikus szabályok-

kal ötvözve,- következtet többszörös hiba hipotézisek esetén,- tanácsot ad megelőző beavatkozási stratégiákra.

Ezen igények figyelembe vételével a predikción alapuló diagnosztikai rendszert cél-szerű olyan szakértői rendszerrel megvalósítani, amely képes kezelni a modell-alapúon-line hiba detektálást, diagnosztikát és a veszteségmegelőzést még igen nagymé-retű folyamatrendszerek esetében is.

Ebben a fejezetben egy saját fejlesztésű diagnosztikai szakértői rendszert muta-tok be, amely on-line diagnosztikára és veszteségmegelőzésre használható. A rend-szert G2 valós idejű szakértői keretrendszerben [30] valósítottam meg. A diagnosz-tikai „ok-következmény” szabályokat és a lehetséges beavatkozásokat a HAZOP ana-lízis eredményeiből állítottam elő. A rendszer szabálybázisa hierarchikusan struk-turált, amelyet a rendszer többléptékű folyamatmodell szerkezete határoz meg. Adiagnosztikai rendszert egy granulátor üzem példáján mutatom be.

4.1. Szakértői rendszerek

A hetvenes évek elején fejlesztették ki az ismeretalapú technológiát, amelynek fel-használásával a kutatók az általános problémamegoldó programok [37] helyett spe-ciális szakismeretet igénylő feladatokat elvégző rendszereket dolgoztak ki. Az is-meretalapú rendszerek [104] közül elsőként a szakértői rendszerek [60] terjedtek el

48

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

4.1.1. Ismeretalapú technológia

Az ismeretalapú rendszerek (knowledge-based system) [104] a hagyományos szoftve-rektől eltérő programszerkezettel rendelkeznek, a problématerületet leíró ismeretek arendszer többi részétől elkülönítve, az ún. ismeretbázisban (tudásbázisban, knowled-ge base) tárolódnak. Ekkor a feladatmegoldás, amelynek „motorja” a következtetésimódszereket realizáló következtető gép, az aktuális feladatmegoldási szituációtól füg-gő módon a tudásbázisból kiválasztott ismeretdarabok végrehajtásával megy végbe.

Az ismeretalapú rendszerek közül azokat, amelyek szakértői ismeretek felhasz-nálásával egy szűk problémakörhöz kapcsolódnak, szakértői rendszereknek (expertsystem, ES) [60] nevezzük. Egy szakértői rendszertől elvárjuk, hogy egy szakértőhözhasonlóan javaslatokat adjon, javaslatait indokolja, a felhasználó kérdéseit megvála-szolja („egyenrangú beszélgető partner”), a kérdéseket megmagyarázza, bizonytalanszituációban elfogadható javaslatot adjon. A szakértői rendszereket olyan területenalkalmazzák, ahol kellő mélységű szakértelemre van szükség.

Az ismeretalapú rendszerek fejlesztői felismerték, hogy az elkészült rendszereketkönnyen fel lehet használni ugyanolyan struktúrájú tudásbázissal rendelkező más,további rendszerek fejlesztésére. Így az alkalmazások fejlesztése mellett az ismeret-alapú keretrendszerek, shellek fejlesztése is hangsúlyt kapott. A keretrendszerek ürestudásbázissal rendelkező héjak, amelyek erőteljes tudásbázis fejlesztő alrendszerekés tárgyterülettől független szolgáltatásokat nyújtanak szakértői rendszer létrehozá-sához és működtetéséhez.

4.1.2. Az ismeretalapú rendszerek struktúrája

Az ismeretalapú rendszereknek három fő komponense van [39], amelyet a 15. ábraszemléltet:

• ismeret-/tudásbázis,

• következtető gép,

• eset specifikus adatbázis (munkamemória, MM).

Ismeret-/tudásbázis (TB) A tudásbázis az adott problématerületre vonatkozóspecifikus ismeretek (tények, objektumok, kapcsolatok, heurisztikus ismeretek) szim-bolikus leírását tartalmazza valamilyen tudásreprezentációs módszer szerint rendez-ve.

Következtető gép A következtető gép az adott ismeretreprezentációs módot ki-szolgáló, egy vagy több megoldáskereső stratégiát megvalósító program, kiegészítveegyéb funkciókkal.

49

15. ábra. Ismeretalapú rendszerek felépítése

Eset specifikus adatbázis (munkamemória, MM) Az eset specifikus adat-bázis az adott megoldandó feladat specifikus információit tartalmazza: külvilágbólérkező információkat, adatokat; valamint a rész- és végső következtetések során ka-pott ismereteket.

A három fő komponensen kívüli további elemek:

Magyarázó alrendszer A magyarázó alrendszer a feladat megoldása közben afelhasználói kérdéseket megmagyarázza, indokolja a rendszer javaslatát.

Tudásbázis kezelő/fejlesztő alrendszer A tudásbázis kezelő/fejlesztő alrend-szer feladata a TB építése, tesztelése, módosítása. Tartalmaz TB fejlesztő, tudás-szerzést támogató szolgáltatásokat.

Felhasználói felület A felhasználói felület lehetőséget biztosít az ember-gép ter-mészetes nyelvű párbeszédhez, konzultációhoz. Ezen keresztül jutnak el a felhasz-nálóhoz a magyarázatot adó és egyéb szolgáltatások is.

Fejlesztői felület A fejlesztői felületen keresztül a tudásmérnök eléri a TB fej-lesztő, tudásszerzést támogató alrendszer szolgáltatásait.

Speciális felületek A speciális felületek a következtetőgép által vezérelt, adatbázis-és egyéb kapcsolatokat (pl. adat-lekérés, külső eljárás meghívása, mért adatok foga-dása, szabályozók adatokkal való ellátása) biztosítják.

50

Felhasználó A felhasználó váltott kezdeményezésű párbeszédeket folytat a rend-szerrel, tanácsadó partnerként konzultál. A felhasználó a rendszer által adott ma-gyarázatokat figyelembe véve felelősségteljesen dönt.

Tudásmérnök A tudásmérnök az adott tárgyköri tudás megszerzésében, annakmegfelelő formalizálásában és a rendszerépítésben jártas szakember.

4.1.3. Következtetési technikák

Az ismeretalapú rendszerekben elterjedt a szabályalapú reprezentáció és következ-tetés [99, 39, 45] alkalmazása. A rendelkezésre álló ismeretek tények és szabályokformájában fogalmazhatók meg. A tények speciális ismereteket fejeznek ki egy téma-terület egyedeiről vagy azok részhalmazairól. A szabályok általános összefüggéseketírnak le „if - then” formában. Minden feladat egy célállítás bizonyítását vagy eléréséttűzi ki célként.

A következtetés eszköze a szabályalkalmazás, más néven a szabályillesztés. Egytényből és egy szabályból újabb tényre következtethetünk. A logikában ezt a modusponens [99, 39] fejezi ki, amelyet az alábbi alakban szokás megadni:

A, A → B

Bvagy A, A → B ⇒ B .

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 lánco-latán keresztül egy cél elérése felé halad. Egy adott rendszerállapotban a szabályokfeltétel részének az aktuális tényekhez való illesztésével határozhatók meg az alkal-mazható szabályok. Minden egyes lépésben csak egy szabály hajtható végre, ezértkonfliktus helyzet állhat elő, ha több alkalmazható szabály áll rendelkezésre. A konf-liktusok valamilyen konfliktusfeloldó stratégia (pl. szabályokhoz prioritás rendelése)alkalmazásával kezelhetők. A kiválasztott szabály alkalmazása a szabály következ-mény részének végrehajtásával történik. Amennyiben nincs alkalmazható szabályés nem értük el a célállapotot, akkor bizonyos esetekben van lehetőség egy korábbiállapotba való visszalépésre és még nem próbált szabályok alkalmazására. Előrefe-lé haladó következtetésnél a visszalépés elég nehéz, mert ehhez meg kell őrizni azaktuális 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 igazolá-sa részcélok igazolására vezethető vissza. Egy adott lépésben a szabályok következ-mény részének a célhoz/részcélokhoz való illesztésével előállíthatók az alkalmazhatószabályok, visszavezetve a cél/részcél bizonyítását a szabály feltételi részét alkotótények (mint újabb részcélok) igazolására. A konfliktushelyzetek kezelése visszafeléhaladó következtetés esetén leggyakrabban az elsőként megpróbált szabály alkalma-zásával 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 vezérlésistratégia iránya szerint megkülönböztetjünk a célvezérelt szabályalapú rendszereketés az adatvezérelt szabályalapú rendszereket.

A diagnosztikai rendszerek általában megfigyelések (mint okozatok) halmazafölötti következtetést végeznek, megoldásként egy vagy több lehetséges javaslatot(okot, okokat) kidolgozva. A lehetséges okok halmaza adott, amelyből a diagnoszti-ka során a szakértő egy vagy több lehetséges okot választ ki és megpróbálja azt vagyazokat a megszerzett ismeretek alapján igazolni. A problémamegoldás iránya ebbenaz esetben célvezérelt, ezért hatékonyan alkalmazhatók a célvezérelt szabályalapúrendszerek.

4.1.4. Valós idejű szakértői rendszerek

A valós idejű szakértői rendszerek on-line tudásbázisú rendszerek, amelyek ötvözikaz analitikus folyamatmodelleket a hagyományos folyamatirányítással és a heurisz-tikákkal, azért, hogy feldolgozzák és értelmezzék az érzékelőkből származó adatokat,miközben következtetnek a múltból, és a jelenből kiértékelik a vizsgált rendszer jö-vőbeli viselkedésének alakulását, valamint megtervezik a megfelelő beavatkozásokat.

A diagnosztikai rendszerek – rendeltetésüknek megfelelően – az adott technológiaműködésében fellépő hibák gyors azonosítására, illetve adott határok között hatásaikközömbösítésére/áthidalására képesek. Ennek hátterében nagyon sokféle információfeldolgozási feladat valós idejű, illetve előírt válaszidő mellett történő számítógépesmegoldása áll. Nyilvánvalóan kulcskérdés ilyenkor a rendelkezésre álló számításikapacitás, de a rendszer tényleges működését nagyban befolyásolja az is, hogy azinformáció feldolgozás precedencia viszonyai – beleértve az időzítési és adatelérésiviszonyokat is – milyen feldolgozási sebességet tesznek lehetővé. Bármilyen előrelátómódon is tervezzük az ilyen alkalmazói rendszereket, szinte elkerülhetetlen, hogyéppen kritikus működési fázisokban fel ne lépjen súlyos adat- és/vagy időhiány, amia diagnosztikai rendszer működési zavarát eredményezheti.

A valós idejű rendszerekkel szemben támasztott általános követelmények az aláb-biak [46]:

(i) Időfüggő reakciókAz abszolút és relatív idő egy fontos szinkronizációs mechanizmus a valós idejűrendszerekben. Vannak periódikus és időfüggő feladatok, amelyet egy speciálishardver vagy szoftver óra vezérel.

(ii) Véges előírt válaszidőEgy jellemző tulajdonsága a valós idejű rendszereknek. Minden kérést egy előremeghatározott véges időn belül végre kell hajtani, ezért nincs olyan feladat,amelynek megoldására végtelenül sokáig vagy megbecsülhetetlen hosszú ideigvárnia 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, akkortörlődik (nem hajtódik végre) és néhány beépített alap cselekvést hajt végreegy figyelmeztető üzenet kíséretében.

(iv) Nyers adatok megőrzéseA valós idejű rendszerek terhelése egységnyi idő alatt a jelekben bekövetkezőváltozások mennyiségével jellemethető, amely hatással van a rendszer viselke-désére és annak válaszaira vagy cselekvéseire. Vannak olyan időszakok, amikorszinte semmi sem történik, viszont vészhelyzetben a terhelés az átlagos száz-vagy ezerszeresére is megnőhet. A terhelés ezen természetes változásainakkövetkeztében a valós idejű rendszereket túlterheléses esetekre tervezik. Egyfontos követelmény a valós idejű rendszerekkel szemben, hogy túlterhelés ese-tén sem veszhet el nyers adat. Lehet, hogy a rendszer az adatokat a beérkezéspillanatában nem vagy csak egy részét képes feldolgozni, de el kell tárolnia azösszes beérkező adatot az esetleges későbbi feldolgozások érdekében.

(v) PrioritáskezelésHa a valós idejű rendszerben túlterhelés van, akkor a legfontosabb feladatokatvégezze el először és addig hanyagolja a többit. Ezen folyamat megvalósításaérdekében minden feladathoz, folyamathoz prioritást kell rendelni, és egy pri-oritáskezelő mechanizmusnak kell biztosítania a feladatok megfelelő sorrendűkiszolgálását.

(vi) „Szép lefokozás” („nice degradation”)Vannak olyan esetek, amikor a túlterhelés tartós, ilyenkor a rendszer csak alegmagasabb prioritással rendelkező feladatokat hajtja végre. Túlterhelt álla-potban is biztosítani kell azonban a felhasználó számára a legalapvetőbb fel-adatok elvégzését, amellyel lekérdezi a rendszer állapotát és a beavatkozásokatvégre tudja hajtani.

4.2. Diagnosztikai szakértői rendszerek az irodalom-ban

Manapság egyre nagyobb az igény a tudomány szinte bármely területén a szakértőirendszerekre. A diagnosztizáló problémákat megoldó szakértői rendszerek [48] azegyik fő alkalmazási területe a szakértői rendszereknek, ezért az irodalma hatalmas.Diagnosztikai célú szakértői rendszerek elsősorban az iparban és az orvostudományterületén használatosak.

Az irodalomban fellelhetők különböző folyamatrendszerekhez kapcsolódó diag-nosztikai szakértői rendszerek. Venkatasubramanian et al. (2003c) [116] egy átte-kintést ad a szakértői rendszerek hibadetektálás és diagosztikai célú alkalmazására.

A szakértői rendszerek szabály alapú kiterjesztését széles körben használják kü-lönféle alkalmazásokban. Egy szakértői rendszer általában egy nagyon speciális rend-szer, amely a szakértői tudás egy nagyon kicsi területén segít megoldást találni. Aszakértői rendszerek hiba diagnosztikára történő alkalmazásának első kísérletei [50]

53

a ’80-as évek közepére tehetők. Kezdetben számos nagy diagnosztikai rendszert épí-tettek nem strukturált szabálybázisok felhasználásával. A tudásbázis hierarchikusstruktúrálása Ramesh et al. (1988) [94] közleményében jelent meg először.

Taszk keretrendszeren alapuló tudás alapú diagnosztikai rendszer ötletét Rameshet al. (1992) [93] ismertette. A szakértői rendszerekben alkalmazható különbözőkövetkeztetési 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 reprezentálásaszakértői rendszerekben RojasGuzman and Kramer (1993) [96] közleményében jelentmeg először.

Basila et al. (1990) [17] egy felügyeleti (supervisory) szakértői rendszert fejlesz-tett ki, amely objektum alapú tudásreprezenációt használ heurisztikus és modellalapú ismeretek leírására.

Zhang and Roberts (1991) [124] egy olyan módszertant ismertet, amellyel a rend-szer struktúra és komponens funkciók ismereteiből származó diagnosztikai szabályokformalizálása megvalósítható.

Chen and Modarres (1992) [29] egy olyan szakértői rendszert fejlesztett ki, amelyfolyamat meghibásodások gyökér okainak meghatározását és abnormális szituációkelhárítására javító beavatkozás(ok) ajánlását valósította meg.

Neurális hálók (neural network) szakértői rendszerekkel egy integrált keretrend-szerben való felhasználását Becraft and Lee (1993) [18] ismertette először. Egy má-sik kiemelkedő közlemény, Zhao et al. (1997) [125] szintén neurális háló és szakértőirendszer alapú integrált keretrendszert használ hiba diagnosztikára

Előjeles irányított gráfokat (signed directed graph) és fuzzy logikát alkalmazóhibrid diagnosztikai rendszert ismertetett Tarifa and Scenna (1997) [108].

Bizonyossági faktorok (certainty factor) szabályokkal való alkalmazását szemlél-teti Wo et al. (2000) [119] közleménye. Egy valószínűségi modell alapú diagnosztikaiszakértői rendszert ismertet Leung and Rimagnoli (2000) [75].

Ezekből is látható, hogy hatalmas mennyiségű közlemény foglalkozik szakértőirendszerek hibadiagnosztika célú felhasználására speciális rendszereken. Az összesalkalmazásnál a szakértői rendszer megközelítés korlátai nyilvánvalók [116]. Szak-értői szabályokból épített tudásalapú rendszerek nagyon rendszer specifikusak, amegvalósíthatóságuk nagyon korlátozott és nehéz frissíteni [95].

Automatizált HAZOP analízisre egy irányított gráfmodell alapú keretrendszertés egy szakértői rendszert fejlesztett ki Vaidhyanathan and Venkatasubramanian(1995) [111]. Ezen szakértői rendszert bővítette ki egy következmény értékelő ésszűrő rendszerrel Vaidhyanathan and Venkatasubramanian (1996) [112], amely kvan-titatív ismeretet használ a téves következmények eltávolítására.

Vaidhyanathan and Venkatasubramanian (1996) [113] foglalkozik szakértői rend-szerrel megvalósított automatikus HAZOP analízis szakaszos üzemeltetésű folyamat-rendszerekkel.

Srinivasan and Venkatasubramanian (1998) [102, 103] Petri háló modelleket al-kalmaz szakaszos üzemű rendszerek automatizált HAZOP analízisére, azonban ateljes 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. Arendszer ötvözi a mesterséges neurális háló adaptív tanulási eljárását, a HAZOPanalízist és egy rendszermodellt.

4.2.1. A diagnosztikára felhasználható szoftver eszközök

Az irodalomban számos szakértői keretrendszer szoftver eszköz található, amelyetkülönböző kutató és fejlesztő cégek fejlesztettek ki. Ezek közül néhány (a teljességigénye nélkül): CLISP [7], GoldWorks III [40], G2 [30], Level5 [23], JESS [10].

A CLISP (C Language Integrated Production System) egy C alapú, hatékonyelőrefelé haladó következtető mechanizmussal rendelkező szabály alapú szakértői ke-retrendszer, amely procedurális elemekkel is rendelkezik, s támogatja az objektum-orientált fejlesztést is.

A JESS a CLIPS adatvezérelt szabályalapú keretrendszeréhez hasonló ingyenes,JAVA alapú fejlesztői eszköz. Az egyik leggyorsabb következtető gép és szkriptkörnyezet egyben.

A GoldWorks III a legelső PC-re fejlesztett szakértői rendszer. Windows-os kör-nyezetben menüvel ellátott interfésszel rendelkező objektum-orientált fejlesztésre adlehetőséget LISP nyelven. Már támogatta a végfelhasználói interfészek tervezését.

A G2 támogatja a hierarchikus többléptékű modellek fejlesztését, az adatvezéreltés célvezérelt szabály alapú következtetést és valós idejű lehetőségeket is biztosít.A G2 rendszernek van egy GDA (G2 Diagnostic Assistant) környezete, amelyetintelligens operátori alkalmazások fejlesztésére és futtatására fejlesztettek ki. Ennekegyik fő komponense egy grafikus nyelv, amely támogatja az összetett diagnosztikaieljárásokat.

4.3. A predikción alapuló diagnosztikai szakértői rend-szer

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

4.3.1. A keretrendszer szerkezete

A G2 környezetben megvalósított diagnosztikai szakértői rendszer fő elemei és aszoftver struktúrája a 16. ábrán látható.

A bemeneti mért adatokat vagy közvetlenül a valós rendszer, vagy ha ez nemáll rendelkezésre, akkor egy részletes dinamikus modell szimulációja szolgáltatja. Apredikcióhoz és ha szükséges, a valós rendszer szimulációjához használt dinamikusmodelleket Daesim Dynamic Simulator [82] szimulátorban valósítottam meg és ezta szimulátort használom.

55

������ ����������� ������ � ��������������� � ������ �� � ���������������� ����� �� ���� ���������� �� ���������������������� ������ �� ���!������ "��� ����������#��� ��������$�������������!���#%&'( ������)��"�����������*��+������������������, -��"������������ -��� '(./01'/� �� ���� +���(23 � ����45%3�� � ������ �� � ���������������� �����

���������� ����� ���������� ����������� ������������ ������ � ��������������� � ������ �� � ���������������� ����� ���������� �����16. ábra. A szakértői rendszer alapú diagnosztikai rendszer struktúrája

4.3.2. A többléptékű predikciós diagnosztikai szakértői rend-szer fő elemei

A rendszer tudásbázisa (TB)

Egy többléptékű diagnosztikai rendszer megvalósításához az alábbi specifikus tudás-elemek 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 többlép-

tékű modelljének szintjei mentén a köztük lévő kapcsolatok alapján. Ezt a 17. ábránszemléltetett hierarchiába szerveződést felhasználva a későbbiekben fókuszálni tu-dunk a megfelelő hierarchiaszintre.

Szimptómák, gyökér okok és megelőző beavatkozások, mint szabályokpredikátumai

A szimptómák, a gyökér okok és a megelőző beavatkozások a köztük lévő logikaikapcsolatokkal együtt a diagnosztizálandó rendszer HAZOP eredménytábláiból ál-líthatók elő. A tudásbázis ezen részét a szakértők által meghatározott heurisztikusműködési tapasztalatok alkotják.

A legegyszerűbb módja egy HAZOP tábla szabályok formájában való reprezentá-lásának, ha a HAZOP táblát rész-táblákra tördeljük és mindegyiket egy (kulcsszó,

eltérés) rendezett párral azonosítjuk. Ezek a párok adják a szimptómákat. EgyHAZOP rész-tábla sor egy

(ok, következmény, megelőző beavatkozás)

56

Többléptékő modell

G y ö ké r o

k o k é s

s z ü ks é g

e s be a v

a k oz á s o

kSzimptómák

Részl

etezet

tség n

öveke

dése

17. ábra. A tudásbázis struktúrája

rendezett hármasként írható le. Egy rész-táblát ezen rendezett hármasok egy listájahatározza meg.

Például a 7. táblázatban látható HAZOP tábla a

(binder− flow, NONE)(binder− flow, MORE)(binder− flow, LESS)(binder− flow, MALDISTRIBUTION)

szimptómákkal tördelhető rész-táblákra.

A (binder-flow, LESS) szimptómához tartozó sorokat a

((Feed atomizer blockage, Decrease in granulation, Inspect binder− flow− rate),(Feed 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 ala-pú módszerekre [99, 22] épül. A szabályok egy előfeltételből (események) és egy kö-vetkezmény részből épülnek fel. A tudásbázis, amely tartalmazza a szimptómákat, ahibákat és a megelőző beavatkozásokat, a HAZOP analízis eredményéből származikés a következő „if - then” típusú szabályokat tartalmazza:

• Diagnosztikai szabályok

57

A diagnosztikai szabályok a lehetséges „ok - következmény” típusú, a gyökérokok 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” típu-súak, a (szimptóma, gyökér ok) rendezett párok és megelőző beavatkozásokközötti kapcsolatot írják le. Például:

if ((binder− flow = LESS) AND („Sticking control valve”))then („Inspect binder− flow− rate”)

Nagy méretű összetett rendszerek esetén a szabálybázis a többléptékű folyamat-modell 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 következtetésekhezhasználható. Esetemben a G2-beli meta-szabályok írják le a szimptóma detektálást,a fókuszálást, az elsődleges hiba detektálást, a hiba izolálást és a veszteségcsökkentőmegelőző beavatkozások kiválasztását.

A valós és a teszt rendszer: a Daesim Simulator két példánya

Ahol a valós rendszer nem áll rendelkezésre teszteléshez vagy a szakértői rendszerfejlesztésének még korai fázisában van szükség mért adatokra, ott gyakran egy be-ágyazott teszt rendszer környezetet alkalmaznak a valós idejű adatok generálásához.A diagnosztikai rendszerem teszteléséhez az adatokat egy ipari granulátor rendszeregy részletes dinamikus modelljének felhasználásával állítottam elő a Daesim Dyna-mic Simulation Package [82] programcsomag segítségével. A Daesim egy számítógé-pes csomag olyan tetszőleges rendszerek szimulációjára, amelyek differenciál és/vagyalgebrai egyenletekkel leírhatóak. A Daesim szétválasztja a modellezési és a szimu-lációs feladatokat és egy alkalmas state-of-art DAE megoldót biztosít. Ezáltal afelhasználónak nem kell foglalkoznia a matematikai megoldással, csak a modellezésifeladatra összpontosíthat.

A hiba izoláláshoz szükséges predikciós adatot a diagnosztikai rendszer a meg-előző beavatkozási hipotézisek szimulációjával állítja elő egy kevésbé részletes (eg-szerűsített) modellen („teszt rendszer”), amelyet a Daesim Dynamic Simulator egymásik példánya szolgáltat.

A predikcióhoz használt egyszerűsített modell előállításával a 6 fejezetben különfoglalkozom.

58

4.3.3. Predikciós diagnosztikai szakértői rendszer működése

A predikciós diagnosztikai szakértői rendszerben a modell alapú hiba detektálás, adiagnosztika és a veszteségmegelőzés lépései egy ciklusba szerveződnek, amelynek főlépései a következők:

(1) Mérések begyűjtése és szimptóma detektálás (Performing measurements and

symptom detection )A vizsgált rendszerből érkező mért jeleket és a köztük lévő kapcsolatokat fel-használva a lehetséges szimptómákat mintaillesztéssel meghatározza.

(2) Fókuszálás és elsődleges hiba detektálás (Focusing and primary fault de-

tection )A detektált szimptómákhoz kapcsolódó releváns hierarchia szint és/vagy rész-modell (a dinamikus modell, amely struktúrált szabályokkal kiegészített) meg-találásához a fókuszálást alkalmazza a modell és a szabályok hierarchiájánakfelhasználásával.

Fókuszálás után a lehetséges okokat határozza meg modell alapú visszafeléhaladó következtetéssel, amely során figyelembe veszi, ha egy egyszerű okhozösszetett szimptóma, vagy ha egy egyszerű szimptómához több ok tartozik, sezeken kívül a lehetséges okokhoz tartozó lehetséges megelőző beavatkozásokatis meghatározza. Minden (ok, megelőző beavatkozás) rendezett párt, amelyetmeghatározott 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 pre-dikált változóértékekkel, a téves/hamis (ok, megelőző beavatkozás) rendezettpárokat 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 beavat-kozást javasol, amely a rendszert visszaviszi a normális működési tartományba.

(5) vissza az 1. lépéshez.

A fenti ciklikus folyamat minden egyes diagnosztikai időlépésben egyszer hajtó-dik végre. A 16. ábrán láthatók a diagnosztikai eljárás lépései és azok kapcsolata adiagnosztikai rendszer további elemeivel.

Mérések begyűjtése és szimptóma detektálás

Egy diagnosztikai szakértői rendszerben a mérések begyűjtése standard interfészeksegítségével történik, amelyek meghatározzák a szimptómák kapcsolataiban megje-lenő mért mennyiségeket és értékeiket. A szimptómák az egyszerű környezetfüggőértékhatár ellenőrzéstől a rendszer megfelelő dinamikus válaszát biztosító, meghatá-rozott mechanizmusok jelenlétének vagy hiányának ellenőrzéséig, széles skálán mo-zognak.

59

Egy egyszerű szimptóma detektálás reláció példa a következő:

(binder− flow− rate < 0.01)

amely binder − flow = NONE szimptóma detektálására használható fel. Ez meg-felel 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 ré-szecske méret eloszlás elmozdult-e egy alacsonyabb részecske méret régióba, azazbalra.

Fókuszálás és elsődleges hiba detektálás

Egy szimptóma detektálása után a lehetséges okok és az esetlegesen szükséges be-avatkozások a tudásbázisban tárolt diagnosztikai- és megelőző beavatkozások szabá-lyokon végrehajtott szabály láncolással határozhatók meg. Ekkor szükséges fókusz-álni arra a részrendszerre, ahol a lehetséges okok bekövetkezhettek. A fókuszálásta meghatározott szimptómák irányítják, amelyek a hibához kapcsolódó megfelelőmodell szinthez és részmodellhez kötődnek.

Néha a szimptómák nem egyértelműen definiálják a lehetséges okokat, így a szük-séges beavatkozások bizonytalanok, nem mindig egyértelműek. Ebben az esetbenvagy összetett szimptómák keletkeztek vagy több lehetséges okot talált a diagnosz-tikai rendszer, s ekkor az azonosított (ok, megelőző beavatkozás) rendezett párokbólegy hipotézis listát hoz létre.

Hiba izolálás és veszteségmegelőzés

Az azonosított lehetséges okok bizonytalansága miatt a diagnosztikai rendszer a hi-potézis listán található minden egyes meghatározott megelőző beavatkozást felhasz-nál azért, hogy meghatározza a hatásaikat még mielőtt egy konkrét beavatkozástkiválaszt.

A rendszer az azonosított lehetséges megelőző beavatkozásokat felajánlja, minttanácsot az operátornak egy rendezett lista formájában. Ebben alkalmazzuk aszimptómákhoz rendelt súlyossági faktort (severity factor) és azok következménye-it a beavatkozások valószínűségével úgy, mint további kézi ellenőrzés szükségességevagy automatikus futtatás a lehetőségek rendezésére.

További kutatás szükséges a megfelelő és biztonságos döntési eljárások megalko-tásához, hogy a diagnosztikai rendszer automatikusan tudjon választani a lehetségesmegelőző beavatkozások listájából.

4.3.4. A keretrendszer szoftver moduljai együttműködésénekszervezése

A keretrendszer 16. ábrán megjelenített szoftver moduljai egy heterogén, multi-taszk szervezésű szoftver rendszert alkotnak, amelynek moduljait interfészek kötik

60

össze. A diagnosztikai szakértői keretrendszerben a szoftver modulok és a környezetegyüttműködését a következő interfészek valósítják meg:

• Grafikus felhasználói felület (Graphical User Interface, GUI):

A grafikus felhasználói felület az operátorral való kommunikáció céljaira hasz-nálható. Az operátor láthatja az aktuális mért értékeket és információt kaphata rendszer viselkedéséről. Néhány rendszerparamétert az operátor is beállíthat.

• G2-Daesim átjáró:

A G2 a G2-Daesim átjáró segítségével kommunikál a Daesim Dynamic Simu-lator-ral. A Daesim biztosítja a szimulációt és a folyamatváltozók értékeit azátjárón továbbítja a G2 felé a tudásbázisban történő további kiértékeléshez.

• UNAC átjáró:

A valós rendszerhez kapcsolódik egy programozható logikai kontroller (prog-rammable logic controller, PLC), amely közvetlen mérések végzésére és beavat-kozások megvalósítására alkalmas. A PLC egy elsődleges irányító rendszerhez(UNAC, nevét a University of Newcastle Automatic Control-ról kapta) csat-lakozik. Az UNAC rendszer kommunikál a G2-ben implementált szakértőirendszerrel egy átjáró segítségével.

A 16. ábra a diagnosztikai szakértői rendszer egy elvi ábráját mutatja, ahol fel vantüntetve az esetleges valós üzemmel való kapcsolódás lehetősége is. Ez még nem egymegvalósult alkalmazás, amely egy granulátor üzemet PLC segítségével irányít. Azáltalam javasolt diagnosztikai rendszer valós rendszerrel való üzemeléséhez továbbifejlesztések szükségesek.

4.3.5. Predikció

A „Hiba izolálás” lépésben a lehetséges megelőző beavatkozások kipróbálása dina-mikus szimulációval megvalósított predikció segítségével történik. A predikcióhozszükséges a diagnosztizálandó folyamatrendszert reprezentáló modell, amely álta-lában koncentrált paraméterű (nemlineáris) folytonos idejű állapottér modell for-májában adott. A rendszer dinamikus viselkedésének analíziséhez a teljes vagy azegyszerűsített rendszermodellt használom fel.

A hiba izoláláshoz szükséges predikciós adatokat a megelőző beavatkozási hipo-tézisek dinamikus szimulációjával állítja elő. A diagnosztikai szakértői rendszerbena predikcióra felhasznált dinamikus modellt a 16. ábrán a „teszt rendszer” jelöli.

A predikcióhoz szükséges adatokat a Daesim Dynamic Simulator-ban implemen-tált és futtatott dinamikus modell szolgáltatja. A G2-ben implementált diagnoszti-kai rendszert G2-Daesim átjáró köti össze a Daesim szimulátorral.

61

4.4. Esettanulmány: szakértői rendszer alapú granu-látor diagnosztikai rendszer

Az ismertetett módszert és a szakértői rendszer alapú diagnosztikai rendszer proto-típusát [P6, P7, P13] egy műtrágyagyártó granulátor körön mutatom be.

4.4.1. HAZOP tábla reprezentálása

A HAZOP táblákban található ismereteket szabályok formájában tárolom a tudás-bázisban. Például a 7. táblázatban szereplő HAZOP tábla részlet első sorának akövetkező szabály felel meg:

if (binder− flow = NONE) then

((Binder nozzle blockage, Ungranulated powder, Inspect binder− flow− rate)(Feed 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 amodell bemenő paramétereire (például kötőanyag betáplálási áram, szemcse betáp-lálási ráta) zavarásokat szuperponáltam. Így kiértékelhetővé váltak a zavarásokhatásai az irányítás szempontjából fontos változókon: a visszacsatolási arányon és arészecske méret eloszláson.

Részletes tanulmányozásra két hiba szcenáriót választottam ki:

• a kötőanyag betáplálási áramának csökkentése, amely szimptómát okoz a gra-nulátor dobon;

• a törő működésébe való beavatkozás, amely devianciát okoz a törő kimenőrészecske áramán.

Mindkét esetben a következő egységes szempontok alapján ismertetem és érté-kelem 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 egylokális hatású, de összetett hiba esetén, amely valójában csak egy működési egységrevan hatással. A 18. ábra mutatja a diagnosztikai rendszer működését ebben azesetben.

Hiba leírása A betáplált kötőanyag mennyiségét manuálisan csökkentettem, ezzeldevianciát okozva a binder-flow-rate változó értékében. Ez a hiba megfelel a 7.táblázatban látható HAZOP tábla részlet harmadik sorában található „Feed reducedin error” lehetséges oknak. Fontos megemlíteni, hogy ez csak egy a deviancia háromlehetséges oka közül, ahogy ezt a HAZOP tábla is mutatja.

Megfigyelt devianciák és szimptómák A szimulátorral generált adatok aztmutatták, hogy a betáplált kötőanyag áramában csökkenő trend jelentkezett. Ezen-kívül szoros kapcsolat volt megfigyelhető a szemcsék nedvességtartalmával és az agg-lomerációs folyamatokkal, amelyek szintén bizonyítékai lehetnek az átlagos részecskeméret csökkenésének.

A diagnosztikai eljárások által kapott eredmények Ebben az esetben aszimptóma detektálás a binder-flow-rate változón észlelt trendet.

A rendszer a fókuszálás során megtalálta a granulátor dobot, amelyhez a binder-flow-rate változó kapcsolódik és három (ok, megelőző beavatkozás) párt azonosí-tott.

Operátori interfész A megfigyelt eltérés a kötőanyag betáplálási áramában a le-hetséges okokkal és a tanácsolt megelőző beavatkozással együtt látható az operátoriinterfészen, amelyet a 18. ábra mutat. Az operátor a lehetséges okokat a megfelelőmunkalap kiválasztásával tudja megjeleníteni. Minden egyes munkalap egy lehet-séges oknak felel meg, amelyhez kiválasztható a javasolt megelőző beavatkozásokközül egy a megfelelő gombra kattintva. A 18. ábra a „Cause 2” munkalapot mutat-ja, amelyből látható, hogy a hozzá tartozó lehetséges ok éppen megfelel a manuálisanelőállított hibának.

2. Hiba a törő egységben: változás a kiáramlási tömegáramban

A második példán bemutatom, hogy a diagnosztikai rendszer hogyan fókuszál ahiba helyére, s ezen kívül megtalálja azokat az okokat is, amelyek egy magasabbrendszer szinten következhettek be, ez esetben a granulátor kör legfelső szintjén. Adiagnosztikai rendszer működése ezen esetben a 19. ábrán követhető nyomon.

Hiba leírása A törő egységből kiáramló granulátum áramát manuálisan blokkol-tam, hogy szimuláljam a „Switched off in error” okot. Az ehhez a gyökér okhozkapcsolódó 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 kapcsolódómegfigyelt szimptómák duplán jelentkeztek: a törőből kiáramló anyagmennyiségtömegárama csökkent, amelyet a crusher-outflow-rate változó ír le (ez láthatóa 19. ábra bal oldalán), és a részecske méret eloszlás függvény kiszélesedett, amelynekhatása a crusher-psd-width változó értékének változásában jelenik meg (a 19. ábrajobb oldalán látható a részecske eloszlás függvény három méretosztályban).

A diagnosztikai eljárások által kapott eredmények Ebben az esetben aszimptóma detektálás a crusher-outflow-rate és a crusher-psd-width változó-kon észlelt trendet.

A rendszer által alkalmazott fókuszálás megtalálta a törőt, amelyhez a crusher-

outflow-rate és a crusher-psd-width változók tartoznak és négy (ok, megelőzőbeavatkozás) párt azonosított be.

Operátori interfész A megfigyelt eltérések a lehetséges okokkal és a tanácsoltmegelőző 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 di-agnosztikai rendszer egy lehetséges tevékenységet ajánl: ellenőrizni kell a helyi vagya globális működési feltételeket.

4.5. Összefoglalás

Ebben a fejezetben a szakértői rendszer alapú diagnosztikával kapcsolatos fogalma-kat, módszereket és saját kutatási eredményeket mutattam be a [P6], [P7] és [P13]közlemények alapján.

A szakértői rendszer alapú diagnosztikai rendszer struktúráját és tudásábrázo-lását tárgyalják a 4.3.1, 4.3.2 alfejezetek. A diagnosztikai szakértői rendszert akövetkezőképpen építettem fel.

(a) A tudásbázis a többléptékű diagnosztikai szakértői rendszer megvalósításáhozszükséges és a szakértők által meghatározott tudást tartalmazza. A HAZ-OP táblából származó heurisztikus tudáselemeket (szimptómák, gyökér okokés megelőző beavatkozások) és a köztük lévő logikai kapcsolatokat szabályokformájában reprezentáltam. A HAZOP tábla egy-egy sorát egy (ok, következ-mény, 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 sza-bálybázisát, amelyet két részre tagoltam: diagnosztikai szabályok és megelőzőbeavatkozást meghatározó szabályok.

A predikciós diagnosztikai szakértői rendszer működési lépései között fontos sze-repet játszik a 4.3.3 alfejezetben tárgyalt fókuszálás. A szimptóma detektálás után aszimptómához kapcsolódó releváns részmodell vagy hierarchia szint megtalálásáhozalkalmaztam a fókuszálást, felhasználva a modell és a szabályok hierarchiáját.

A predikció szerepet játszik a hiba izolálása során is úgy, hogy a rendszer összeha-sonlítja az előző diagnosztikai lépésben kapott predikált változó értékeket a megfelelőmért értékekkel, ily módon távolítva el a téves/hamis okokat.

Az ismertetett módszert és a prototípus rendszert egy műtrágyagyártó granulátorkörön mutattam be a 4.4 alfejezetben. A diagnosztikai rendszer megvalósításához aG2 szakértői keretrendszert választottam, amely támogatja a hierarchikus modell-építést és az online diagnosztikát.

66

5. fejezet

Predikción alapuló diagnosztikamulti-ágens rendszerrel

Összetett többléptékű folyamatrendszerek modellezése nehéz feladat, ezért diagnosz-tikai rendszer fejlesztéséhez általában modell-alapú analitikus és heurisztikus tech-nikák kombinációját kell felhasználni [19]. A multi-ágens rendszerekkel történő meg-közelítés, amely a mesterséges intelligencia területéről származik, ígéretes megoldásalehet egy olyan diagnosztikai feladatnak, amely heterogén tudásforrásokból szárma-zó információkon alapszik [120]. Egy multi-ágens rendszer ugyanis alkalmas arra,hogy egyaránt leírja a rendszermodellt, a megfigyeléseket, valamint a diagnosztikaiés veszteségmegelőző eljárásokat, amelyek formális elemeit a korábbi fejezetekbenbemutattam.

Ebben a fejezetben a multi-ágens rendszerek felépítését és algoritmusait haszná-lom fel folyamatrendszerek hibadiagnosztizálásának megvalósítására olyan esetek-ben, amikor mind a dinamikus modellek, mind a heurisztikus működtetési tapasz-talatok rendelkezésre állnak a rendszerről. A multi-ágens diagnosztikai rendszertJADE [9] ágens fejlesztő környezettel valósítottam meg, ennek általános alkalmaz-hatóságát a felhasznált ismeretek leírására definiált ontológiák felhasználása segíti.A diagnosztikához a HAZOP mellett az FMEA analízis eredményeit is felhasználoma pontosabb diagnosztika érdekében. A diagnosztikai rendszert egy granulátor körpéldáján mutatom be.

5.1. Multi-ágens rendszerek

Az „ágens” szó a számítástudomány és a szoftverfejlesztés egyik kulcsszava, amelymögött a mesterséges intelligencia (MI) [99], általánosabban pedig az informatikaegy, az utóbbi évtizedben virágzásnak indult, dinamikus területe áll. Ebben azalfejezetben Russell és Norvig (2003) [99] alapján áttekintést adok az ágensekkel ésmulti-ágens rendszerekkel kapcsolatos alapvető fogalmakról és módszerekről.

5.1.1. Ágensek

A nagy múlttal rendelkező tudományokban az ágens szó használata a latin jelentés-ből 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 bekövetkezettváltozásokra.

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 továbbiszámítógépes tevékenységet elvégzi, és amely képes az emberi nyelv kifejezéseit hasz-nálva tanácsot kérni és megérteni, mikor tevékenysége zsákutcába jut.” (Kay 1984)

Gyenge definíció Az alábbi gyenge definíciót (weak notion of agency) tartjákminimálisan 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, abbólkiemelve nem tudnak funkcionálni, állapotaik nem értelmezhetők a környeze-tükön kívül.

– Reaktivitás (reactivity): Az ágensek érzékelik a környezetüket, valós időbenreagálnak az abban bekövetkezett változásokra.

– Autonómia (autonomy): Az ágensek önállóan, külső beavatkozás nélkül mű-ködnek és meghatározott mértékű kontrolljuk van a saját akcióik és belsőállapotuk felett.

– Helyzetfüggőség (situatedness): Az ágensek helyzethez és szerephez kötöttek.

– Kezdeményezőképesség (pro-activity): Az ágensek nem csak válaszolnak a kör-nyezeti változásokra, hanem szükség esetén kezdeményeznek is.

– Célvezérelt viselkedés (goal-directed behaviour): Az ágenseknek céljaik van-nak, amelyeket igyekszenek végrehajtani.

– Temporális kontinuitás (temporal continuity): Az ágens identitása, állapotahuzamosabb ideig létezik, illetve működik.

68

Kölcsönható ágensek Több ágensből álló (multi-ágens) rendszer esetén az ágen-sek egymással kapcsolatba lépnek. Ennek alapja a kölcsönhatás, mely a „szociálisviselkedés” különböző fokait teszi lehetővé.

– Kölcsönhatás (interaction): Az ágensek kölcsönhatásban állnak egymással afeladatok megoldása érdekében. A kölcsönhatás során az abban résztvevőkállapota megváltozik.

Az ágensek antropomorfizálása A mesterséges intelligenciában az erős definí-cióban (strong notion of agency) szereplő kritériumokat várják el az ágensektől.

Az erős definíciónak megfelelő ágensek rendelkeznek a gyenge definíció tulajdon-ságaival is. Ezen kívül racionálisak, valamint használják azokat az alább értelmezettfogalmakat, amelyeket emberre is alkalmazhatunk.

– Racionalitás (rationality): A racionalitás feltételezi, hogy az ágens nem fog cél-jai ellen cselekedni. Ezen kívül minden helyzetben a legjobb alternatívát fogjaválasztani. A „mindig legjobb” választását tökéletes racionalitásnak nevezzük.Ez azonban az ágensek világában nem létezik. Ezért az elvárás az, hogy akorlátozott racionalitásnak (bounded rationality, bounded optimality) elegettegyenek, azaz az ágens a rendelkezésére álló erőforrások felhasználásával alegjobb alternatívát válassza ki.

Adaptivitás, tanulás Ez már nem az elvárható, inkább csak az áhított tulajdon-ságok közé tartozik. Az ágenseket igyekeznek ezzel a tulajdonsággal minél inkábbhasonlóvá tenni az emberhez. Az intelligencia szükséges elemei a nyelv és a kommu-nikáció mellett a tanulás, adaptivitás, amely képessé teszi az ágenst, hogy ne csakaz előre definiált szabályhalmaznak megfelelően cselekedjen, hanem képes legyenazokat 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 aviselkedését megváltoztatni. A tanulási módokra számos mechanizmus létezik.

– Alkalmazkodás, adaptivitás (adaptivity): Alkalmazkodni csak valamihez lehet.Az ágensek esetén csak a környezethez való alkalmazkodás értelmezett, hiszenaz foglalja őket magába. Az adaptivitási képességgel felruházott ágens képestanulni cselekedetei hatásából annak érdekében, hogy tevékenysége optimálislegyen.

Személyiség Néhány alkalmazási területen szükség lehet a mesterséges személyi-ség (synthetic character) létrehozására, amely legalább az alábbi két tulajdonsággalrendelkezik:

– Személyiség (personality, identity): A személyiséggel bíró ágens speciális je-gyekkel, 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 egycsoportjára és az emberekre jellemző tulajdonság, amely a belső állapotok egyspeciális csoportját jelöli.

Egyéb tulajdonságok A felsorolt tulajdonságok mellett még néhány tulajdon-sággal szokták az ágenseket felruházni.

– Együttműködés (cooperation): Egy ágens képes együttműködni más ágensek-kel egy közös cél érdekében. Az együttműködés két folyamatból áll: kommu-nikáció (communication) és együtt dolgozás (collaboration).

– Helyváltoztató képesség (mobility): Az ágens fizikai helyváltoztató képességétjelenti.

– Igazságmondó képesség (veritability): Az ágens tudatosan nem ad ki hamisinformációt.

– Jószándék (benevolence): Az ágenseknek nincsenek más ágensekével ellentétescéljai, tevékenységük csak saját céljuk elérésére irányul.

– Megbízhatóság, konzisztencia (reliability, consistency): Az ágens egy helyesenvégrehajtott 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 köl-csönható 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 kompo-nensek tevékenységeinek összehangolása koordinációs mechanizmusokkal. A koor-dináció a tevékenységek összehangolása a rendszer feladatainak megoldása, illetvea rendszerrel szemben támasztott korlátozások betartása érdekében. A koordinációcélja az anarchia és a káosz elkerülése. A koordináció a rendszer egészére vonatkozószabályok biztosítására vonatkozik.

Kooperáció Egy MAS vizsgálható az egyes ágensek szempontjából is, azaz hogyegy adott ágens céljainak elérése milyen hatással van a többi ágensre. A hatékonyságnövelése érdekében egyes ágensek segíthetik egymást céljaik elérésében. A kooperá-ció, 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 struk-túrákon alapul, amelyek rögzítik a résztvevő ágensek interakcióit és feladatait.Ezek a struktúrák általában hierarchikusak. Ennek a mechanizmusnak a leg-nagyobb problémája a centralizáltság.

(b) Szerződéskötés: Ezen mechanizmus esetén a szervezeti struktúra dinamikusanváltozik. Az ágensek két szerepet tölthetnek be: a menedzserét illetve a szállí-tóét. A menedzser a megoldandó problémát részfeladatokra bontja, amelyeketa szállítók végeznek el. A szállítók tovább oszthatják a kapott részfeladatot.A feladatok kiosztása licitáláson alapszik. A mechanizmus problémája, hogyfügg a feladat hierarchikus dekomponálhatóságától illetve a részfeladatok füg-getlenségétől. Ezt tovább nehezítheti a konfliktusos helyzetek felismerése ésfeloldása.

(c) Multi-ágens tervezés: A konfliktusok elkerülése érdekében az ágensek közös,multi-ágens tervet készítenek, amely tartalmazza az összes ágens valamennyijövőbeni cselekedetét, interakcióit. A tervek végrehajtása során az ágensek mó-dosíthatnak a terven. Hátránya, hogy sok az információáramlás és -feldolgozás.

(d) Egyezkedés: A konfliktusok feloldása érdekében többször szükség lehet a meg-egyezésre.

Kommunikáció A multi-ágens rendszerek egyik kulcskérdése az ágensek interak-cióinak mikéntje. Ennek a koordináció és a kooperáció során alapvető jelentőségevan. 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 communicati-on 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 korlátaia hatékony kommunikációnak az emberek, szervezetek és/vagy szoftver-rendszerekközött. Egy rövid betekintést adok arról, hogyan tudja javítani a kommunikációt egyadott területen kifejlesztett és implementált „kollektív tudás” (shared understand-ing) (azaz egy ontológia), amely a felhalmozott ismeretek hatékonyabb, nagyobbújrafelhasználását és elosztását teszi lehetővé.

71

Motiváció

Az ontológia [110] szükségességét az is mutatja, hogy számos fontos problémát képesleírni, amelyek gátolják vagy nehezítik a kommunikációt az emberek, szervezetek,szoftverek rendszerén belül és azok között.

Az emberek, szervezetek, szoftver rendszerek szükségszerűen kommunikálnakegymás között. Ennek során széles skálán változó nézőpontok és feltételezések vo-natkozhatnak a kommunikáló felek között egyazon témakörre. Mindegyik eltérőzsargont használ, melyek lehetnek különböző, átlapolódó és/vagy nem egyező fogal-mak, struktúrák vagy eljárások. A „kollektív tudás” (shared understanding) hiá-nyának egyik legfontosabb következménye a szegényes kommunikáció az emberek ésszervezeteik között.

Egy IT rendszerben a „shared understanding” hiánya nehézséget okoz a követel-mények azonosításában, és ezáltal a rendszerspecifikáció meghatározásában.

Különböző modellezési módszerek, paradigmák, nyelvek és szoftver eszközök sú-lyos 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 afogalmi és terminológiai rendezetlenséget és egy „shared understanding”-et hozzunklétre.

Mi egy ontológia?

A mesterséges intelligencia irodalmában több definíció is található. Az ontológia ki-fejezéseket és összefüggéseket határoz meg egy adott tudásterület leírásához. Azazegy ontológia formális explicit leírása valamely témakörben a fogalmaknak (osztá-lyok (class), más néven fogalmak (concept)), a fogalmak tulajdonságainak, melyekleírják a különbözőségeket és a fogalmak attribútumainak (rések (slot), más néventulajdonságok). Egy ontológiát az osztályok példányainak halmazával tudásbázis-nak (knowledge base) nevezünk.

Egy ontológia legtöbbször csak kezdete valaminek. Lehet adatbázisok, tudásbázi-sok 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 kom-munikáció formális specifikációja valamilyen ágens kommunikációs nyelv (agent com-munication language, ACL) felhasználásával. Minden ACL alapkövetelménye, hogytámogasson egy közös szintaxist az ágensek kommunikációjára és egy közös szemanti-kát. Mivel egy adott ontológia egy tématerület egy formális deklaratív reprezentáci-ója, ez definiálja a használt fogalmakat az adott területen. A tudás magába foglaljaaz objektumok típusait, attribútumait és tulajdonságait, amelyek leírnak egy ob-jektumot, 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 alkal-mazhatósága is igen sokrétű. Az ágensek és a multi-ágens rendszerek lehetségesfelhasználási területei közül igen nagy szerepet kapnak a különféle szimulációs alkal-mazások.

A multi-ágens rendszerek diagnosztikai alkalmazásának területéről néhány köz-leményt kiemelnék a teljesség igénye nélkül.

Az elmúlt években foglalkoztak diagnosztikai ágensek különböző architektúrájá-nak megválasztásával. Például Schroeder et al. [100] egy nem monoton következte-tési rendszerre épülő diagnosztikai ágensek architektúrájátt mutatja be, míg Hecket al. [49] a KQML kommunikációs nyelvet és a CORBA-t együttesen használja akommunikáció megvalósítására.

Piccardi and Wotawa (1999) [89] egy olyan általános architektúrát alkalmaz di-agnosztikai ágensekhez, amely a WWW technológián alapszik.

Druzovec and Welzer [33] egy olyan diagnosztikai architektúrát ismertet, amely-ben a diagnosztikai következtetés modell alapú diagnosztika segítségével valósul meg.Egy intelligens diagnosztikai ágenst használ, amely egy tapasztalt felhasználó szere-pét tölti be és döntést hoz a további mérésekkel kapcsolatban a korábbi diagnosztikaieredmények és a rendszerről rendelkezésre álló ismeretek alapján.

Bonyolult ipari alkalmazások egy elosztott monitorozó és diagnosztikai rendszeremegépítésének módszerét ismerteti Wörn et al. [120], amely egy elosztott multi-ágens megközelítést használ.

Egy monitorozott rendszerben különböző ágensek által megfigyelt hibák külön-bözőek lehetnek és ezek között egy megállapodást kell elérni a rendelkezésre állóinformációk alapján. Ezzel a problémával foglalkozik Roos et al. (2004) [97] közle-ménye.

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 rend-szerrel: a keretrendszer struktúrája

Folyamatrendszerek diagnosztikája is kezelhető multi-ágens technikával. A feje-zetben bemutatott saját fejlesztésű keretrendszer is egy multi-ágens diagnosztikairendszer, amely tartalmaz egy ontológia tervező eszközt és egy multi-ágens szoftverrendszert. A terület-specifikus tudást ontológiák formájában reprezentálom, mely-nek tervezéséhez a Protégé [6] ontológia szerkesztő eszközt használom fel. Ezt azismeretet integrálom egy multi-ágens szoftverbe, amelyben különböző típusú ágen-sek működnek együtt a hibák diagnosztizálása érdekében.

73

5.2.1. A diagnosztikai rendszer tudásreprezentációja

Annak érdekében, hogy megkönnyítsem a rendszer általános és moduláris alkalmaz-hatóságát két ontológia halmazt definiálok [P8, P10, P11]:

• folyamatspecifikus ontológia,

• diagnosztikai ontológia.

Folyamatspecifikus ontológia

A folyamatspecifikus ontológia leírja a folyamatok fogalmait, azok szemantikus kap-csolatait és megszorításaikat, amely hasonlít az OntoCAPE [121] projekt során kifej-lesztett, a folyamatrendszerek általános leírására javasolt ontológiára. A folyamat-specifikus ontológiának két része van: a folyamatrendszerek általános viselkedésérevonatkozó közös ismeretek és az alkalmazás-specifikus tudás. Ez a leírás határozzameg egy általános folyamatmodell szerkezetét a szóban forgó rendszerhez és lehe-tőséget teremt egy konkrét folyamatmodell realizáció megvalósításához, amely fel-használható valós idejű szimulációhoz és/vagy predikció alapú diagnosztikához.

Diagnosztikai ontológia

Egy meghibásodás esetén a rendszer viselkedéséről rendelkezésre álló emberi szakér-telem és működtetési ismeretek jelennek meg itt az okokkal, következményekkel éslehetséges korrekciókkal együtt. A diagnosztikai ontológia tartalmazza a diagnosz-tikai fogalmak (pl. szimptómák, gyökér okok), a különböző diagnosztikai eszközök(úgymint FMEA és HAZOP táblák) és eljárások (mint például következtetés FMEAés/vagy HAZOP tudáson) szemantikus ismereteit.

Valós idejű adatbázis

Mindkét ontológia tartalmaz időben változó elemeket is, mint például a folyamat-változók, a beavatkozó változók és a hozzájuk kapcsolódó változók. Ezen változókértékeit vagy egy valós rendszer vagy egy szimulátor szolgáltatja, melyek tárolásavalós idejű adatbázisban történik.

5.2.2. A multi-ágens diagnosztikai rendszer fő elemei

Hasonlóan a fentebb leírt ontológiák osztályozásához, a diagnosztikai rendszerheztartozó 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 modellezé-sében és szimulációjában. Ezek működnek különböző, hibás és nem hibás üzemál-lapotokat leíró körülmények között is. A következőekben kiemelek a megvalósítottdiagnosztikai keretrendszerből néhány folyamat ágens típust a működésükre vonat-kozó rövid leírással:

• Folyamat kimenet előrejelzők (Process output predictors, PPs) szolgáltatjáka dinamikus szimulációval előállított predikciót, megelőző beavatkozásokkalvagy anélkül.

• Predikció-pontosság koordinátor (Prediction accuracy coordinator, PAC) el-lenőrzi az előrejelzés eredményének pontosságát és ha szükséges, akkor továbbiágenseket hív meg az eredmény finomítása érdekében.

• Modell paraméter becslők (Model parameter estimators) társulnak mindenegyes Folyamat kimenet előrejelzőhöz (PP). A Predikció-pontosság koordi-nátor felkérheti ezt az ágenst modell paraméterek finomítására, ha az ágenselőrejelzésének pontossága nem kielégítő.

Diagnosztikai ágensek

A diagnosztikai ágensek a mérések kezdeményezését, a szimptóma felismerést, a hibadetektálást [115], a hiba izolálást és a nem szándékolt következmények elkerülése vé-gett tanácsok előállítását végzik. Ezek az ágensek logikai következtetéseket és/vagynumerikus számításokat végeznek. Az alábbiakban kiemelek néhány diagnosztikaiágens típust a diagnosztikai keretrendszerből a működésükre vonatkozó rövid feladatleírással:

• Szimptóma generátor és státusz kiértékelő (Symptom generator and status eva-luator) működése a nem megengedett eltéréseken alapszik, feladata egy szimp-tóma jelenlétének ellenőrzése.

• Állapot és diagnosztikai paraméter becslők (State and diagnostic parameterestimators, SPEs) segítik a szimptóma generátorokat, amelyek néhány kap-csolódó jelet és egy részrendszer egy dinamikus állapottér modelljét használjákfel egy összetett szimptóma létrehozásához.

• Hiba detektorok (Fault detectors, FDs) az Állapot és diagnosztikai paraméterbecslők (SPEs) vagy a Modell paraméter becslők (PPs) szolgáltatásait hasz-nálják fel fejlett jelfeldolgozó módszereket alkalmazva hibák detektálásához.

• Hiba izolátorok (Fault isolators, FIs) egy szimptóma bekövetkezésekor mű-ködnek annak érdekében, hogy a hibát izolálják különböző technikák (hibafa,HAZOP, FMEA, hibaérzékenység megfigyelők, stb.) segítségével.

• Veszteségmegelőzők (Loss preventors, LPs) megelőző beavatkozás(oka)t illetvejavító beavatkozás(oka)t ajánlanak különböző (Hazard Identification Analysis,HAZID) módszerek segítségével (HAZOP, predikció, stb.).

75

• Teljesség koordinátor (Completeness coordinator) ellenőrzi az eredmény (de-tektálás, izoláció vagy veszteség megelőzés) teljességét és ha szükséges, továbbiágenseket aktivál.

• Ellentmondás vagy konfliktus feloldó (Contradiction or conflict resolver, CRES)további ágenseket hív meg abban az esetben, ha valamilyen ellentmondást kellfeloldania.

Valós idejű ágensek

A két fő kategória mellett a diagnosztikai rendszer tartalmazza a következő valósidejű ágenseket a folyamat irányítására és monitorozására:

• Monitorozó ágensek (Monitoring agents) a való világból vagy szimulációbólkérnek és/vagy szolgáltatnak adatokat.

• Előfeldolgozó ágensek (Pre-processor agents) felismernek nem megengedhetőviselkedéseket, amelyek lehetnek szimptómák.

• Beavatkozó ágensek (Control agents) beavatkoznak a rendszerbe, ha van meg-előző beavatkozás.

• Megerősítő ágensek (Corroborating agents) a diagnosztikai ágensektől fogad-nak el kéréseket és további mért értékeket vagy információkat szolgáltatnak.

5.2.3. Predikció

A veszteségmegelőző diagnosztikai ágensek lehetséges megelőző beavatkozásokat ja-vasolnak különböző módszerek (pl. HAZOP, predikció) segítségével. A pontosabbmegelőző beavatkozás(ok) kiválasztása érdekében az ún. Folyamat kimenet előrejel-ző (Process output predictor) ágens meghatározza a korábbi lépésekben megtaláltjavasolható megelőző beavatkozás(ok) hatásait. Ezen ágens dinamikus szimulációvalmegvalósított predikció segítségével hozza meg döntését.

A predikcióhoz is szükséges a diagnosztizálandó folyamatrendszert reprezentálómodell, amely általában koncentrált paraméterű (nemlineáris) folytonos idejű álla-pottér modell formájában adott. A rendszer dinamikus viselkedésének analíziséheza teljes/vagy egyszerűsített rendszermodellt használom fel.

A folyamat kimenet predikátor ágensnek szükséges predikciós adatokat a MAT-LAB/Simulink szoftverben implementált és futtatott dinamikus (egyszerűsített) mo-dellek szolgáltatják.

5.2.4. A felhasznált multi-ágens szoftverek

Az irodalomban számos ágens építő és szimuláló szoftver eszköz található, amelyetkülönböző kutató és szoftver fejlesztő cégek fejlesztettek ki. Csak néhány ismer-tebbet 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 vá-lasztottam ki, mint multi-ágens implementációs eszközt, mert ez egy nyílt forráskódúJava alapú multi-ágens fejlesztő csomag, amely támogatja a Foundation for Intelli-gent Physical Agent (FIPA) ágens szabványát és integrálható a Protégé [6] ontológiaszerkesztővel és a Java Expert System Shell (JESS) [10] következtető rendszerrel.A JADE ágens platform több konténerre (container) bontható szét, amelyek önállóJAVA virtuális gépek és JAVA szálakként implementált ágenseket tartalmaznak. Azágensek közötti kommunikáció FIPA Agent Communication Language (FIPA ACL)formában reprezentált üzenetek küldésével valósul meg.

A JADE nem tartalmaz következtetési technikákat, de integrálható több követ-keztető rendszerrel, például a JESS-szel és a Prolog-gal is. A JESS egy következtetőgép és szkript környezet, amely JAVA nyelven íródott. Rendelkezik egy nagyon ha-tékony Rete algoritmust használó előrehaladó következtető mechanizmussal és egyvisszafelé haladó következtető módszerrel is.

A diagnosztikai rendszer általános és moduláris alkalmazhatóságát biztosító on-tológiák formájában leírt ismereteket használom fel a JADE és JESS által használtobjektum példányok illetve tények előállítására. A Protégé ontológia szerkesztőeszközzel megvalósított ontológiát az ún. Ontology Bean Generator segédprogramsegítségével automatikusan generálni lehet a JADE illetve JESS által kezelhető for-mában.

A szimulációkhoz használt dinamikus modelleket MATLAB-ban [11] valósítot-tam meg, így a MATLAB szolgáltatja a szimulált folyamatrendszer valós idejű ada-tait és tartalmazza a predikcióhoz használt egyszerűsített modelleket is. A MATLABés a JADE közötti kommunikációt a szabványos TCP/IP protokoll felhasználásávalvalósítottam meg. A nagy mennyiségű adat archiválására MySQL [12] adatbáziso-kat használtam. A JADE és a MySQL adatbázisok közötti kapcsolatot a MySQLConnector/J [13] alkalmazásával realizáltam.

A JADE környezetben megvalósított multi-ágens diagnosztikai rendszer fő elemeiés a szoftver struktúrája a 20. ábrán látható.

5.3. Esettanulmány: ágens alapú granulátor diagnosz-tikai 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 fo-lyamatmodellek, amelyek differenciál-algebrai egyenletek formájában tartalmazzáka folyamatrendszer hagyományos mérnöki ismereteit; valamint a szisztematikusanösszegyűjtött heurisztikus információk, amelyek HAZOP és/vagy FMEA analíziseredményeiből származnak.

Az esettanulmányban felhasznált HAZOP tábla és FMEA tábla részeket a 23.ábra tartalmazza. A HAZOP tábla definiálja a (statikus) ok-következmény kap-

77

MonitoringAgent

CorroboratingAgent

Pre-Processor

Agent

Sym

ptom

gen

erat

or

Sta

te a

nd d

iagn

ostic

para

met

er e

stim

ator

Fau

lt de

tect

or

Pre

dict

ion

accu

racy

coor

dina

tor

Pro

cess

out

put

pred

icto

r

Real-timedatabase

Diagnostic agentsBased on Diagnostic ontology (HAZOP, FMEA)

Process agentsBased on Process-specific ontology

Real-time agentsBased on Real-time database ontology

ControlAgent

RemoteMonitoring

Agent (GUI)

AgentManagement

System

DirectoryFacilitator

RMI server (for communication)

Mod

el p

aram

eter

estim

ator

ACL messagesACL messages

ACL messages

Real process or real-time simulator

Fau

lt is

olat

or

Loss

pre

vent

or

Com

plet

enes

sco

ordi

nato

r

Con

trad

ictio

n or

conf

lict r

esol

ver

20. ábra. A multi-ágens diagnosztikai rendszer struktúrája

csolatokat a szimptómák és a lehetséges okok között, amellyel vissza lehet jutni adeviancia gyökér okaihoz. Két egymással kapcsolatban álló szimptómát tartalmaza HAZOP táblázat, ahol mindegyik szimptómához legalább két különböző ok tar-tozik. Egy lehetséges okot egy gyökér oknak tekintek, ha a rendszer egy fizikaikomponensének egy meghibásodási módjához kapcsolódik, például ilyen a HAZOPtábla második sorában a (2)-vel jelölt ok. Amikor egy ilyen gyökér okot talált adiagnosztikai rendszer, a diagnosztikai eredmény kiegészíthető vagy finomítható amegfelelő FMEA bejegyzésnek megfelelően, ahogy ez az FMEA táblázatban is lát-ható.

Az 5.2.1 fejezetben ismertetett ontológiákat Protégé ontológia szerkesztővel való-sítottam meg. Egy minta diagnosztikai ontológia HAZOP táblára vonatkozó részletelátható a 21. ábrán.

78

21. ábra. A diagnosztikai ontológia egy része

5.3.2. Szimulációs eredmények

Az ismertetett ágens-alapú diagnosztikai rendszer működésének illusztrálásához csaka rendszer egy részét, pontosabban a diagnosztikai ágensek együttműködését mu-tatom be [P10]. Ezért egy olyan esetet választottam, amikor a diagnosztika ered-mény különböző hibadetektálási és -izolálási módszerek kombinációjával kaphatómeg. Ezen ágens részrendszer szerkezete látható a 22. ábra bal oldalán. A bemuta-tott ágensek működése logikai következtetéseken alapszik kiegészítve egy folyamatszimuláló 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 (Moni-toringAgent és PreProcessorAgent),

• a Diagnostic Agents nevű konténer a diagnosztikai ágensek számára (Symp-tomGeneratorAgent, FaultIsolatorAgents – ezek HAZOP és FMEA analí-zisen alapulnak–, CompletenessCoordinatorAgent és LossPreventorAgent)

• a Process Agents nevű konténer pedig egy folyamat ágenst (ProcessOut-putPredictor) 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 ágensekközötti kommunikáció és működés egy részletét a 22. ábra jobb oldala szemlélteti.

A diagnosztikai folyamatot a diagnosztikai ágensekkel azon szituációban muta-tom be, amikor a granulátorból kilépő átlagos részecske átmérő (d50) kisebb, mintegy megadott határérték. Ez az eset megfelel a 23. ábrán szereplő HAZOP táblaelső sorának, amelyet a „Mean particle diameter (d50) LESS” szimptóma ír le. Sokegyéb jóval bonyolultabb hiba lehetséges egy ilyen ipari rendszerben.

A MonitoringAgent ágens által szolgáltatott változó értékei alapján a Pre-

ProcessorAgent ágens meghatározza a rendszerben lévő devianciákat. Abban azesetben, ha van detektált deviancia, a SymptomGeneratorAgent ágens ellenőrzi aszimptómák jelenlétét, jelen példa esetén a „d50 LESS” szimptómát és informál-ja a CompletenessCoordinatorAgent ágenst. A CompletenessCoordinatorAgent

ágens továbbítja a szimptómát a HAZOPFaultIsolatorAgent és LossPreventor-

Agent ágenseknek, hogy meghatározzák a lehetséges hibákat és javasoljanak meg-előző beavatkozásokat a HAZOP táblában szereplő információk felhasználásával. AHAZOPFaultIsolatorAgent ágens következtetés sorrendjét a 23. ábrán látható fo-lyamatábra és a 24. táblázat HAZOP táblarészen szereplő jelölés szemlélteti. AHAZOP táblából látható, hogy a következtetés három lehetséges gyökér okot talál(azaz olyan okokat, amelyek a rendszer elemi komponenseinek meghibásodásaihozkapcsolódnak), ahogy az a tábla második sorából kiolvasható.

A diagnosztikai és veszteség megelőző eredmények halmazát többszörös hibákesetén az FMEA analízisből származó táblán alapuló FMEAFaultIsolatorAgent

ágens pontosítja, amelyet a CompletenessCoordinatorAgent ágens hív meg a HAZ-OP táblázatból származó információk alapján. Eredményként a „Slurry flow controlvalve fails Closed” gyökér ok hatását állítja elő („D50 reduces in product”), amelyazonos az észlelt szimptómával. A LossPreventorAgent ágens által meghatározottlehetséges megelőző beavatkozások három lehetőséget írnak le a HAZOP tábla elsősorának utolsó oszlopa szerint. A javaslatok alapján a CompletenessCoordinator-

80

Guide - w ord

De viation

(1) Decreas e in fres h feed s ize

* decreas e in s ys tem holdup

a) increas e fres h feed s ize

* change in granulation condition

b) change to original feed type

(2) Decreas e/los s of s lurry flow

* change in recycle P SD c) increas e s lurry flow

(1) operator error in s etting the flowrate

* reduced liquid phas e in granulator

a) review training regimes for operators and ens ure cros s -checking on s etpoint changes

(2) fa ilure in valve actuator

* lack of granulation b) actuator preventative maintenance plan check

(3) fa ilure in valve caus ing clos ure

* lower product s ize range flow from granulator

c) activate s lurry control valve by-pas s and s et flow manually

(4) reduced s lurry production in preneutralizer

d) check s lurry feed dens ity and adjus t preneutralizer

S lurry feed flow

LESS

LESS

Po ssible cause s Co nse que nce s Action re quire d

Mean Particle

Diameter (D50)

Loca l S yste m

FCV S lurry flow

control va lve

S tuck maintance failure

los s of flow control

potentia l product quality impacts

corros ionClos ed lower or no

flowno growth

D50 reduces in product

Open

De te ction Critica lity Action

indirectly via product qua lity

MEDIUM - quality reduction in product

review maintenance procedures

Effe ctsCom- po ne nt

De scrip- tion

Fa ilure mo de

Possib le cause s

The relevant part of the HAZOP table

The relevant part of the FMEA table

23. ábra. HAZOP és FMEA táblákon végzett következtetés

Fresh Feed Slurry (S1)

Product (S11)

Bucket elevator

Conveyor

Granulator

Rotary Dryer

Screens

Crusher

S2

S4

S6

S7

S8S9

S10

S-10

Oversize

Undersize

S11

S3

Conveyor

S1

NH

3 (S

3)

Initial stream deviation”d50 LOW”

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

81

Agent ágens aktiválja a ProcessOutputPredictor ágenst, hogy megbecsültesse arendszer jövőbeli viselkedését a megelőző beavatkozások segítségével.

A vizsgált diagnosztikai ágensek következtetéseinek eredményeit szemlélteti a 25.és 26. ábra, amelyeken a HAZOPFaultIsolatorAgent ágens következtetési lépéseiilletve a CompletenessCoordinatorAgent ágens által fogadott illetve továbbítottüzenetek láthatóak.

5.4. Összefoglalás

Ebben a fejezetben a multi-ágens diagnosztikával kapcsolatos fogalmakat, módsze-reket és saját kutatási eredményeimet ismertetem a [P8], [P10] és [P11] közleményekalapján.

Az ágens alapú diagnosztikai rendszer szerkezetét és tudásreprezentációját tár-gyalja az 5.2 alfejezet. Az ágens alapú diagnosztikai rendszert a következő elemekbőlépítettem fel.

(a) A tudásreprezentáció eszközeként a diagnosztikai rendszer általános és mo-duláris alkalmazhatóságát figyelembe véve két ontológia halmazt definiáltam.A folyamatspecifikus ontológia írja le a folyamatrendszerek fogalmait és azokkapcsolatait a megszorításokkal együtt. A diagnosztikai ontológia a diagnosz-tikai fogalmak és különböző diagnosztikai eszközök és eljárások szemantikájátformalizálja. Egy valós idejű adatbázisban tároltam az ontológiákban szereplő,időben változó elemeket.

(b) A diagnosztikai rendszerhez tartozó ágensek feladataikat és működésüket az5.2.2 alfejezetben fejtettem ki. Az ágensek csoportosíthatók az általuk hasz-nált ontológia alapján, így vannak a folyamatokhoz kapcsolódó ágensek, a di-agnosztikához kapcsolódó ágensek és a valós idejű kiszolgálásokhoz kapcsolódóágensek.

A diagnosztika ágensek együttműködésére épül, amelyek az általam definiált on-tológiákra támaszkodnak az együttműködés során. A diagnosztikai feladatokat a di-agnosztikai ágensekben megvalósított eljárások, módszerek végzik. A diagnosztikaiágensek egymással együttműködve következtetnek és/vagy numerikus számításokatvégeznek a hiba vagy meghibásodás minél pontosabb azonosítása (Hiba izolátorok),valamint a teljesebb (Teljesség koordinátor ágens) és ellentmondásmentesebb (El-lentmondás vagy konfliktus feloldó ágens) diagnosztika érdekében.

A hiba izolációt az ágens alapú diagnosztikai módszernél a szimptómából vissza-felé haladó következtetéssel dolgozó HAZOP és a gyökér okból előrefelé haladó kö-vetkeztetést megvalósító FMEA módszerek koordinált működésével értem el.

Az ismertetett módszert és a prototípus multi-ágens diagnosztikai rendszert egygranulátor körön mutattam be az 5.4 alfejezetben. A diagnosztikai rendszer meg-valósításához a JADE Java alapú ágens fejlesztő környezetet választottam, integ-rálva a JESS következtető géppel, a Protégé ontológia szerkesztővel és a MAT-LAB/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 egyszerűsítésediagnosztikai célból

A pontosabb diagnosztika és hatékonyabb beavatkozás, veszteségcsökkentés érdeké-ben a hibadetektálás és izolálás során a predikció, valamint a megfelelő beavatko-zás(ok) meghatározása fontos szerepet kap. A nem megfelelő vagy téves hibafelisme-rés utáni beavatkozás(ok) kiszűrése érdekében a beavatkozások hatásait szimulálnilehet a rendszer aktuális állapotából indítva egy adott időhorizonton. Mivel a bo-nyolult vagy többléptékű modellek szimulációjának számítási igénye túlságosan nagyés nincs is szükségünk a rendszer állapotának pontos értékeire, ezért szükségtelen ateljes részletes modellt használni. Legtöbbször elég egy adott hibaszcenárióhoz tar-tozó egyszerűbb modell vagy részmodell alkalmazása, amely leírja a rendszert vagyrészrendszert az adott hibaszcenárióban.

Ez a fejezet a korábbi fejezetekben bemutatott és alkalmazott predikción alapulódiagnosztikai rendszerekben predikciós céllal felhasznált többléptékű folyamatmo-dellek egyszerűsítésével foglalkozik.

6.1. Modell egyszerűsítés

A modell egyszerűsítés célja egy olyan „egyszerű” modell megtalálása, amely funk-cionálisan azonos egy adott részletes „eredeti” modellel, de sokkal kisebb számítás-igényű, azaz kisebb a mérete, mint az eredetinek. Ebben a részben összefoglalom amodell 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 rendszerhatárait, a rendszerben lejátszódó folyamatokat, a rendszer jellemző pa-ramétereit, valamint a be- és kimeneteket.

84

• egy modellezési cél (pl. tervezés, folyamatirányítás vagy -diagnosztika,dinamikus szimuláció), amely meghatározza, hogy a modellt milyen rész-letességgel 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 megmaradá-sa. A folyamatrendszerek dinamikus viselkedésének leírása az alapvető megmaradásimennyiségekre (tömeg, komponens tömeg, energia, momentum) felírt megmaradásiegyenleteken alapszik.

Fontos kiemelni, hogy a modellezési cél hatással van a megépítendő modellre,azaz a modell minőségi jellemzőire, a figyelembe vett mechanizmusokra, a modellpontosságára vagy a modell típusára (statikus - dinamikus, determinisztikus - szto-chasztikus, tökéletesen kevert - elosztott paraméterű). Jelenleg nincs egy olyan kifor-rott szisztematikus módszer, amely megadná, hogy a modellezési cél milyen hatássalvan a modellre. Csak néhány célvezérelt modellezési lépés [70] áll rendelkezésre.

6.1.2. Funkcionálisan ekvivalens folyamatmodellek

Ugyanazon folyamatrendszer két modelljét funkcionálisan azonosnak (functionallyequivalent) nevezzük, ha megfelelnek ugyanazon modellezési célnak [70]. Ha a mo-dellezési cél valamilyen minőségi jellemzőként definiált, amelyet a minőségi változókértékei definiálnak, akkor a funkcionális azonosság algoritmikusan és a modellekmegoldásával is meghatározható.

A modellekhez hozzárendelhetőek olyan méretindexek (mutatószámok), amelyekáltalánosságban megadják a modellek méretét. Dinamikus modelleknél a leggyako-ribb méretindex az állapotváltozók száma, azaz a modell rendje. Egy alkalmasandefiniált méretindex rendelhető a funkcionálisan azonos modellekhez is, amely alap-ján meghatározható, hogy melyik a kisebb méretű modell. A 27. ábrán látható,hogy a minőségi- és a méretindexek hogyan viszonyulnak egymáshoz.

Modelling goal

Performance indices determine set of "functionally"

equivalent models

Quality (size) indices determine "minimal" model

Set of all models considered for the

application

Set of "functionally" equivalent models that satisfy modelling goal

"Minimal" model for stated goal

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

85

6.1.3. Modell egyszerűsítés problémája

Ha a predikción alapuló diagnosztikai célra akarunk készíteni egyszerűsített model-leket, akkor a következő feltételezésekkel szokás élni a folyamatrendszerrel és mo-delljével kapcsolatban:

A1 Mind az eredeti, mind az egyszerűsített modell koncentrált paraméterű folya-matmodell.

A2 A folyamatrendszer sima nemlinearitásokkal rendelkezik és egy állandósult ál-lapot környezetében írja le annak viselkedését.

A fenti feltételezések mellett megfogalmazható az általános modell egyszerűsítésiprobléma kitűzése erre a speciális esetre, amely az alábbi általános formában írhatóle.

Adott:

• egy részletes folyamatmodell, amely a természet alapvető törvényeiből (atömeg és az energia megmaradása) származik;

• egy előírt bemenet-kimenet viselkedések halmaza, amely meghatározza amodellek elvárt minőségét;

• egyszerűségi indexek, mint általánosított méret mutatószámok halmaza,amely indexeket a dinamikus megmaradási mérlegegyenletekben szereplőállapotváltozók száma és a modell nemlinearitásának illetve linearitásá-nak foka határoz meg.

Feladat: meghatározni a „legegyszerűbb” egyszerűsített modellt, amely

• funkcionálisan azonos a részletes modellel az előírt bemenet-kimenet vi-selkedések tekintetében; és

• legkisebb mérettel rendelkezik az egyszerűségi indexek alapján.

Az egyszerűsített modellt a fenti két tulajdonsággal minimális modellnek (mi-nimal 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 gya-korlatban 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 felírtmegmaradási egyenletekből származtathatóak a kiegészítő egyenletek behelyettesí-tésével. Ha a mérlegek különböző megmaradó mennyiségekre vonatkoznak, példáulkomponens tömegek és energia, vagy ha a megmaradó mennyiségek a mérlegelési tér-fogaton belüli nagyon eltérő tartózkodási idővel rendelkeznek, akkor megfigyelhetőaz időállandók szétválása. Ismeretesek a szakirodalomban szinguláris perturbációnalapuló analitikusan kezelhető analízis módszerek (lásd pl. [69, 15] és a bennük sze-replő hivatkozások) arra, hogy hogyan találhatók meg az elválasztó karakterisztikusidők és hogyan adhatók meg modell egyszerűsítés segítségével dinamikus modellekminden egyes időszintre.

Ha a modell egyszerűsítés elemi lépéseit, mint modell transzformációkat tekint-jük, akkor a transzformáció alkalmazható az időskála szétválása esetén az állandósultállapot feltételezéssel egy, a modellezési cél szempontjából alapvető átlagos dinami-kájú változókhoz képest „gyors” vagy „lassú dinamikájú” χ változóra. Formálisan,az állapotegyenletek számának csökkentése a

dχ(t)

dt≈ 0 → χ(t) = konstans (30)

transzformáció alkalmazása a kiszemelt állapotegyenlet(ek)re. A transzformációeredményeként a χ változóhoz tartozó dinamikus megmaradási mérlegből származódifferenciál egyenlet algebraivá változik, így – szerencsés esetben – behelyettesíthe-tő a fennmaradó differenciál egyenletekbe. Ezáltal az állapotegyenletek száma (ésaz 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 egy-szerűsítési művelet [45]. Az alkalmazhatóság feltétele, hogy az eredeti modell simanemlinearitású legyen és a rendszer csak egy egyensúlyi működési pont körül vál-tozzon. A linearizált modell csak a normál működési pont egy többé-kevésbé szűktartományán érvényes.

A linearizáció alkalmazható a teljes modellre vagy a modell egy részére attólfüggően, 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 li-nearizáció, mint modell transzformációk rendelkeznek a következő alaptulajdonsá-gokkal:

• megőrzik a modell alapvető dinamikus tulajdonságait (pl. irányíthatóság, meg-figyelhetőség és stabilitás) [74],

• a kapott eredmények erősen függnek az állandósult állapottól,

87

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

6.2. Modell egyszerűsítés diagnosztikai céllal

Ahogy az a 2.1.3 alfejezetben látható, egy diagnosztikai szcenáriót legalább háromkarakterisztikus változó határoz meg: egy gyökér ok, egy szimptóma változó, amelylétrehozza a szimptómákat és egy bemeneti jel, amely a megelőző beavatkozás(ok)megvalósítására használható fel. Ezen változókhoz kapcsolódóan a következő szin-teket 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 aszimptóma változókat és megelőző beavatkozásokat a gyökér ok szintjéről célszerűkiválasztani.

A többléptékű modellek predikció alapú diagnosztikai célú modell egyszerűsíté-sének probléma kitűzése az alábbi alakban fogalmazható meg [P9, P12].

Adott:

• egy többléptékű folyamatmodell, amely képes leírni a rendszer viselkedé-sét a figyelembe vett meghibásodások esetében (amelyek a gyökér okokáltal generáltak),

• egy nominális állandósult állapotú működési pont,

• egy (gyökér ok, szimptóma változó, megelőző beavatkozás) rendezett hár-mas,

• referencia bemenet-kimenet viselkedés: diagnosztikai szcenáriónak meg-felelően a megelőző beavatkozással és anélkül,

• egyszerűségi index: az állapotváltozók száma és a linearitás fokának függ-vényében.

Feladat: meghatározni egy egyszerűsített modellt egyetlen időskála szinten,amely lineáris és létrehozza az adott referencia viselkedést a hiba hatásánakpredikciójához. Ez csak abban az esetben határozható meg, ha az időskálán amegfelelő időszintek kellően szétválnak.

Fontos megjegyezni, hogy nem mindig szükséges és nem is mindig célszerű azegyszerűsített modell linearitását megkövetelni; ez esetben az egyszerűségi indexegyszerűen az állapotváltozók száma.

88

6.2.1. A modell egyszerűsítési eljárás

A többléptékű modellek fenti modell egyszerűsítési problémájának megoldása azalábbi elvi lépésekből áll [P9, P12]:

(1) Az aktuális szint meghatározása az időskálán a figyelembe vett szimptómák-ban megjelenő változókból. Ha egynél több időszint felel meg az aktuális mé-ret szintnek, akkor azt a szintet kell választani, amely az adott diagnosztikaiszcenáriónak megfelel. Itt kell meghatározni, hogy van-e időskála szétválás,azaz, hogy a feladat megoldható-e egyáltalán. Ezt az ellenőrző lépést a való-di rendszeren vagy a részletes többléptékű modellen empirikus kísérletekkel,egységugrás-válaszfüggvények analízisével lehet megvalósítani.

(2) A méretskálán az aktuális ok és okozati szintekről azon dinamikus megmara-dási mérlegek kiválasztása, amelyek az időskálán az aktuális szinthez tartoz-nak. A modell egyéb (lassabb vagy gyorsabb) időskálákhoz tartozó dinamikusmérlegegyenleteit állandósult állapot feltételezéssel algebrai egyenletetté kellalakítani. A megmaradó aktuális szinthez tartozó differenciál egyenletek akiegészítő algebrai egyenletekkel adják a skála-redukált nemlineáris mo-dellt.

(3) A fenti nemlineáris modell (lehetőleg DAE alakban) linearizálása az adottnominális állandósult állapotú működési pontban. Behelyettesítve az algebraiegyenleteket a differenciális egyenletekbe egy szabványos lineáris állapottérmodell adódik. A kapott modell meghatározza a skála-redukált lineárismodellt.

(4) A fent kapott skála-redukált lineáris modell modell paramétereinek meg-határozása szabványos paraméterbecslési eljárásokkal, felhasználva a valósmért vagy a szimuláció által előállított adatokat.

Ha az egyszerűsített modell linearitását nem követeljük meg, akkor a fenti (3) lé-pés értelemszerűen kimarad, de a (4) lépésbeli paraméterbecslést a skála-redukáltnemlineáris modellre el kell végezni.

6.2.2. Összehasonlítás más modellegyszerűsítési és modellre-dukciós módszerekkel

Az irodalomban számos különböző módszer található modellegyszerűsítésre és -redukcióra egy megfelelő méretű és komplexitású modell meghatározásához. Ezeketa módszereket a modellegyszerűsét során alkalmazott mérnöki tudás szerint osztá-lyozhatjuk.

A modellredukciós módszerek teljesen fekete-doboz típusúak: állapot transzfor-mációkat alkalmaznak, hogy meghatározzák az eredeti állapotváltozók azon kombi-nációját, amelyeknek nincs jelentős hatásuk a rendszer bemenet-kimenet viselkedé-sére és ezért ezek elhagyhatok. Egy jól ismert példa a MATLAB modred parancsa[45].

89

A modellegyszerűsítő módszerek a mérnöki tudást és a működtetési tapasztala-tokat használják fel arra, hogy elhagyjanak állapotváltozókat. Az elhagyandó álla-potváltozók kiválasztása az eredeti állapot változó dinamikáján és fizikai jelentésénalapszik. Például Leitold et al. (2000) [74] és Hangos and Cameron (2000) [45] egygráfelméleti módszert ismertetett koncentrált paraméterű dinamikus folyamatmo-dellek struktúra egyszerűsítésére. Németh et al. (2005) [83] a koncentrált paramé-terű nemlineáris állapottér modellek modellegyszerűsítésre egy olyan szisztematikusmódszert ad, amely figyelembe vesz egy előre definiált performancia kritériumot ésa fizikai meglátásokon alapszik.

A fentiektől eltérően predikció alapú diagnosztikai célú modellegyszerűsítés nemanalitikus, hanem empirikus ismereteken alapszik és a modellegyszerűsítés célja amodell méretének csökkentése úgy, hogy a modell egy adott hibamódban leírja ahibás működést, ezáltal alkalmas diagnosztikai célú felhasználásra.

6.3. Esettanulmány

A bemutatott modell egyszerűsítő módszer első elvi lépését egy műtrágyát előállítógranulátor dob példáján mutatom be.

6.3.1. Granulátor dob: a modell skálatérképe

Ahhoz, hogy elkészítsük a granulátor dob a 3. ábrán látható skálatérképének fino-mítását, amely az időskálán az aktuális ok és beavatkozási szintek meghatározásá-hoz szükséges, rendelkeznünk kell egy elég részletes rendszermodellel vagy a való-di rendszeren kísérletezési lehetőséggel. A kiválasztott esettanulmányhoz a modellegyenleteket Balliu (2005) [16] értekezéséből vettem, amelyeket a 2.5.2 alfejezetbenismertettem.

A (24) állapottér egyenlet szerkezetéből látszik, hogy általános esetben a teljesmodell erősen összecsatolt és kicsi az esély arra, hogy fekete-doboz modell egyszerű-sítő 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 lehetősé-geit és ezek függését a hibák gyökér okaitól, a következő két hiba szcenáriót tekintem:

(i) a kötőanyag betáplálási árama megnő („Binder_flow = MORE”), amely elsőd-legesen 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 ha-tással van.

Mindkét esetben megvártam az állandósult működési állapot kialakulását, ezutána rendszerre egy ugrásszerű zavarást bocsátottam a hozzá tartozó változóban ésmegfigyeltem a tranziens válaszokat.

90

1. Binder_flow = MORE

A granulátor dobba bevezetett kötőanyag betáplálási áramát (FNH3) a t = 700s

időpillanatban megnöveltem. A 28. ábrán a szimuláció eredménye látható.A 28. ábra alapján egy időskála szétválás figyelhető meg a részecske méret osztá-

lyok tömege (lassú változók) és a többi állapotváltozó között. A szétválás mértékelegalább egy nagyságrendnyi különbség a meghatározó időállandóban. Ez megfelel amérnöki várakozásainknak, azaz a kötőanyag betáplálási áramának megnövekedéseelsődlegesen az összes tömeg és energia változókra van hatással és csak másodlagosanhat, ahogy az vártuk, a PSD változókra a granulátumok szintjén.

Időskála szétválasztás A fenti egységugrás szcenárió alapján megrajzolható agranulátor dob egy finomított skála térképe, bejelölve az időskála szétválását a ki-emelt változó(ko)n, amely(ek)re hatással van a kötőanyag betáplálási áram növe-kedés gyökér ok. Erre a hiba szcenárióra vonatkozó finomított skálatérkép láthatóa 29. ábrán.

Modell egyszerűsítés Az eredmények alapján a kötőanyagáram megnövelésegyökér ok esetén a részletes modellt úgy egyszerűsítjük, hogy a PSD változókra vo-natkozó állapotegyenleteket állandósult állapot feltételezéssel algebrai egyenletekkéalakítjuk, így a modell rendje 20-szal csökken.

2. Solids_feed_PSD = WIDE

A granulátor dobba a betáplált részecske méret eloszlás (PSD) szélességét megnö-veltem (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 esetbennem egyszerűsíthető.

6.4. Összefoglalás

Ebben a fejezetben a korábbiakban ismertetett és alkalmazott predikción alapuló di-agnosztikai rendszerben predikciós céllal felhasznált többléptékű folyamatmodellekegyszerűsítésével kapcsolatos fogalmakat, módszereket és saját kutatási eredménye-imet mutattam be a [P9] és a [P12] közlemények alapján.

A predikción alapuló diagnosztikai célú modell egyszerűsítést tárgyalja a 6.2 al-fejezet. Kiindulásképpen a többléptékű folyamatmodellek modell egyszerűsítésénekprobléma kitűzését írtam le és meghatároztam az egyszerűsítés szükséges feltételét:az időskála szintjeinek kellő szétválását. A 6.2.1 alfejezetben ismertettem a többlép-tékű modellek modellegyszerűsítésének lépéseit: az adott diagnosztikai szcenáriónakmegfelelő időszint meghatározását az időskálán; a skála-redukált nemlineáris modellkiválasztását; a skála-redukált lineáris modell felírását; a skála-redukált lineáris mo-dell paramétereinek meghatározását. Módszert javasoltam az időskála szétválás em-pirikus meghatározására a részletes többléptékű modellen vagy a valódi rendszerenelvégezhető egységugrás-válaszfüggvények analízisével.

91

0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 20000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1m

MAPm

DAPm

H2OM

LE

SE

LF

NH3

0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 20000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1M

S(10)

MS(12)

MS(16)

MS(17)

MS(18)

MS(19)

FNH3

28. ábra. Megnövekedett kötőanyag betáplálási áram szimulációs eredményei

92

� 3- I�

�

-!0$!0( /,,3

M

M

M

-

%

%

�

�

�

�

�

�

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

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

93

0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 20000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1m

MAPm

DAPm

H2OM

LE

SE

LF

S,in(8)

0 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300 1400 1500 1600 1700 1800 1900 20000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1M

S(10)

MS(12)

MS(16)

MS(17)

MS(18)

MS(19)

FS,in

(8)

30. ábra. Szimulációs eredmény a granulátor dobba betáplált részecskék méret el-oszlásának megváltozásakor

94

7. fejezet

Összefoglalás

Ebben a fejezetben először összehasonlítom és értékelem a különböző eszközökkelmegvalósított predikción alapuló diagnosztikai rendszereket. Ezután tézisek formá-jában foglalom össze a dolgozatban bemutatott új eredményeket. Végül a továbbimunka lehetséges irányait vázolom fel.

7.1. A predikción alapuló diagnosztikai rendszer kü-lönböző megvalósításainak összehasonlítása

A dolgozatban három különböző eszközkészlettel: színezett hierarchikus Petri hálók-kal, szakértői rendszerrel és multi-ágens rendszerrel megvalósított, predikción alapu-ló diagnosztikai rendszert mutattam be. A különböző implementációk a tárgyalássorrendjében követték egymást, az előző(ek) tapasztalatait természetesen felhasz-náltam a következő(k)nél. Ebben a fejezetben röviden összehasonlítom a különbözőmegvalósításokat és értékelem a működésükkel kapcsolatos tapasztalatokat.

Predikción alapuló diagnosztikai rendszer színezett hierarchikus Petri há-lóval

A Petri háló modell egyesíti a szemléletes grafikus leírás és a mögötte álló jól defini-ált matematikai formalizmus előnyeit. A színezett Petri hálók esetében szokásos ésjól támogatott a hierarchikus modell építés, így egy ilyen modell kiválóan alkalmas atöbbléptékű modellek leírására. A Petri hálókat eredetileg események sorrendiségé-nek, azaz ok-okozati viszonyoknak leírására alkalmazták. A Petri hálók ezen tulaj-donságát az általam ismertetett predikción alapuló módszer ki is használja. Mivela Petri háló önmagában is működőképes, ezért a diagnosztikai rendszer feladatai aháló elemek megfelelő szekvenciáinak tüzelésével valósulnak meg.

A Petri háló modellek megépítése nem triviális, ezért nem lehet automatizál-ni a diagnosztikai szabályok háló elemekké való transzformálását. A Petri hálókelemeinek a száma a feladat méretével exponenciálisan növekszik (kombinatorikusrobbanás problémája), így egy bizonyos méret után már a hierarchikus dekompozíciósem 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 szak-tudására támaszkodnak. A szabály alapú szakértői rendszerek jól reprezentáljákaz ok-okozati viszonyokat és a beépített következtető gép segítségével hatékonyanműködhetnek. Az általam kiválasztott G2 szakértői keretrendszer támogatja az on-line működést, ezzel lehetőséget biztosított egy valós idejű diagnosztikai rendszermegvalósításához. A G2 továbbá objektum-orientált rendszer, ezért lehetőség vanhierarchikus modellek építésére.

A szakértői rendszerekben a heurisztikus információt oly módon kell tárolni, hogyazt a következtető gép fel tudja dolgozni. Ezért a diagnosztikához szükséges infor-mációk tárolása nem triviális. A másik nagy problémája a diagnosztikai szakértőirendszernek, hogy a diagnosztikai rendszer eljárásai nem mindig egyszerűek, és nemmindig lehetséges szabályokkal leírni ezeket.

Predikción alapuló diagnosztika multi-ágens rendszerrel

A multi-ágens rendszerek alkalmazásának egyik legfőbb előnye, hogy a definiált ágen-sek egymással párhuzamosan, akár egymástól függetlenül és fizikailag távol (máshardveren) képesek működni valós időben is, ezért a valós idejű diagnosztika könnyenmegvalósítható. Az ágensek viselkedését, működését és együttműködését definiálóeljárások, függvények leírása és kezelése egyszerűbb, mint egy monolitikus szerke-zetű szakértői rendszerben. A multi-ágens rendszerek nem tartalmaznak beépítettkövetkeztető mechanizmust, de alkalmas következtető gép választásával a következ-tetés megvalósítható, feltéve hogy lehetőség van egy következtető rendszerrel valóösszekapcsolásra. Ekkor a tisztán szabály alapú részek működtetését a diagnosztikairendszerbe integrált következtető gép végzi.

7.2. Új tudományos eredmények

Az értekezésben bemutatott új tudományos eredményeket az alábbi tézisekben fog-lalom össze.

1. Tézis Predikción alapuló diagnosztika színezett Petri hálóval (3. fejezet)([P1], [P2], [P3], [P4], [P5])Módszert dolgoztam ki predikción alapuló diagnosztika színezett hierarchikusPetri hálóval való megvalósítására, amellyel meghatároztam a Petri háló alapúdiagnosztikai rendszer struktúráját és tudáselemeit. A diagnosztikai rendszer-ben használt információkat három rétegben különítettem el az információktípusa szerint: a hierarchikus (többléptékű) modell réteg, a szimptóma azono-sítás réteg és a gyökér okok meghatározása réteg. A rétegeken belüli elemeka többléptékű modell hierarchiáját követik. Megmutattam, hogy a HAZOPtáblából származó információk a diagnosztikai rendszerben közvetlenül felhasz-nálható „if - then” alakú szabályokká alakíthatók.

Megmutattam, hogy a javasolt diagnosztikai rendszer megvalósítható a De-sign/CPN színezett Petri hálók építésére és használatára készült szoftver cso-maggal.

96

2. Tézis Predikción alapuló diagnosztikai szakértői rendszer (4. fejezet)([P6], [P7], [P13])Módszert ajánlottam predikción alapuló diagnosztikai szakértői rendszer meg-valósítására. A diagnosztikai szakértői rendszert a következőképpen építettemfel.

(a) A tudásábrázolás a többléptékű diagnosztikai szakértői rendszer megva-lósításához 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 kapcso-latokat szabályok formájában reprezentáltam. A HAZOP tábla egy-egysorát egy (ok, következmény, megelőző beavatkozás) rendezett hármassalazonosítottam.

(b) A diagnosztika szabály alapú következtetési módszerre épül. A HAZOPtáblából származó információkból létrehozott szabályok alkotják a tudás-bázist, amelyet két részre tagoltam: diagnosztikai szabályok és megelőzőbeavatkozást meghatározó szabályok.

A szimptóma detektálás után a szimptómához kapcsolódó releváns részmodellvagy hierarchia szint megtalálásához fókuszálást alkalmaztam, felhasználva amodell és a szabályok hierarchiáját.

A predikció szerepet játszik a hiba izolálása során úgy is, hogy az előző diag-nosztikai lépésben kapott predikált változó értékek és a megfelelő mért értékekösszehasonlításán alapuló módszer alkalmas a téves/hamis okok eltávolítására.

Megmutattam, hogy a javasolt diagnosztikai rendszer megvalósítható a G2szakértői keretrendszerben.

3. Tézis Predikción alapuló diagnosztika multi-ágens rendszerrel (5. fejezet)([P8], [P10], [P11])Módszert dolgoztam ki predikción alapuló diagnosztika multi-ágens rendsze-rekkel való megvalósítására. Az ágens alapú diagnosztikai rendszert a követ-kező elemekből építettem fel.

(a) A tudásreprezentáció eszközeként a diagnosztikai rendszer általános ésmoduláris alkalmazhatóságát figyelembe véve két ontológia halmazt defi-niáltam. A folyamatspecifikus ontológia írja le a folyamatrendszerek fo-galmait és azok kapcsolatait a megszorításokkal együtt. A diagnosztikaiontológia a diagnosztikai fogalmak, valamint a különböző diagnosztikaieszközök és eljárások szemantikáját formalizálja. Egy valós idejű adatbá-zisban tároltam az ontológiákban szereplő, időben változó elemeket.

(b) Az ágenseket csoportosítottam az általuk használt ontológia alapján, ígyvannak a folyamatokhoz kapcsolódó ágensek, a diagnosztikához kapcso-lódó ágensek és a valós idejű kiszolgálásokhoz kapcsolódó ágensek.

A diagnosztikai ágensek egymással együttműködve következtetnek és/vagynumerikus számításokat végeznek a hiba vagy meghibásodás minél ponto-sabb 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 mód-szerek megfelelő koordinálására.

Megmutattam, hogy a javasolt diagnosztikai rendszer megvalósítható a JADEJava alapú ágens fejlesztő környezetben, integrálva a JESS következtető gép-pel, a Protégé ontológia szerkesztővel és a MATLAB/SIMULINK szimulációskörnyezettel.

4. Tézis Többléptékű modellek egyszerűsítése diagnosztikai célból (6. fejezet)([P9], [P12])Módszert javasoltam predikciós diagnosztikai célra szolgáló többléptékű folya-matmodellek egyszerűsítésére. Kiindulásképpen a többléptékű folyamatmo-dellek modell egyszerűsítésének probléma kitűzését formális eszközökkel írtamle és meghatároztam az egyszerűsítés szükséges feltételét: az időskála szint-jeinek kellő szétválását. Meghatároztam a többléptékű modellek modellegy-szerűsítésének lépéseit: az adott diagnosztikai szcenáriónak megfelelő időszintmeghatározását az időskálán; a skála-redukált nemlineáris modell kiválasztá-sát; a skála-redukált lineáris modell felírását; a skála-redukált lineáris modellparamétereinek meghatározását. Módszert javasoltam az időskála szétválásempirikus meghatározására a részletes többléptékű modellen vagy a valódirendszeren elvégezhető egységugrás-válaszfüggvények analízisével.

7.3. További kutatási lehetőségek, irányok

A fentiekben bemutatott eredmények és a megfogalmazott tézisek természetesennem 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, amelyeksegítségével a két heurisztikus tudáshalmazon együttesen lehetne követ-keztetni a pontosabb diagnosztika érdekében.

• HAZOP és FMEA táblákban szereplő információk verifikálása és vali-dálása. 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 ahibadiagnosztikába.

(ii) Hibrid rendszerek diagnosztikájához kapcsolódó irányok:

• Folytonos rendszerelemek beépítése a diagnosztikai rendszerbe.

• Hibrid rendszerek predikción alapú diagnosztikái lehetőségeinek vizsgála-ta, az általam javasolt módszerek átültetése hibrid rendszerekre.

98

7.4. Publikációk

Dolgozatom főbb eredményeit és a javasolt téziseket (ld. a 7.2. fejezet) bemutattamtöbb nemzetközi konferencián és közzétettem szakfolyóiratban és kutatási jelentés-ben. Az első csoportban azokat a publikációimat sorolom fel, amelyek közvetlenül atézisekben megfogalmazott eredményeimet tartalmazzák (zárójelben az ismertetetttézis sorszáma szerepel):

[P1] E. Németh and K. M. Hangos, „Prediction-based diagnosis using colouredPetri nets,” in Proceedings of The 4th International PhD Workshop on In-formation 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, „HierarchicalCPN model-based diagnosis using HAZOP knowledge,” Technical report of theSystems and Control Laboratory SCL-009/2003, Computer and AutomationResearch Institute of HAS, 2003. http://daedalus.scl.sztaki.hu.(1. tézis)

[P3] E. Németh, „Diagnostic goal driven modelling and simulation of multiscaleprocess systems,” in Proceedings of The 5th International PhD Workshop onSystems 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 ge-neralized coloured CPN models,” Technical report of the Systems and ControlLaboratory SCL-002/2004, Computer and Automation Research Institute ofHAS, 2004. http://daedalus.scl.sztaki.hu. (1. tézis)

[P5] E. Németh, I. T. Cameron, and K. M. Hangos, „Diagnostic goal driven mo-delling and simulation of multiscale process systems,” Computers and Chemi-cal 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-baseddiagnosis and loss prevention using model-based reasoning,” in Lecture Notesin 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-baseddiagnosis and loss prevention using qualitative multi-scale models,” in Euro-pean Symposium on Computer Aided Process Engineering - 15 (L. Puigjanerand A. Espuna, eds.), vol. 20A of Computer-Aided Chemical Engineering 20A/B, pp. 535–540, Elsevier Science, 2005. (2. tézis)

99

[P8] E. Németh, R. Lakner, and K. M. Hangos, „A multi-agent prediction-baseddiagnosis system,” in Proceedings of The 6th International PhD Workshop onSystems and Control - Young Generation Viewpoint, Izola, Slovenia, 2005. onCD. (3. tézis)

[P9] E. Németh, R. Lakner, and K. M. Hangos, „Diagnostic goal-driven reductionof multiscale process models,” Technical report of the Systems and ControlLaboratory SCL-001/2005, Computer and Automation Research Institute ofHAS, 2005. http://daedalus.scl.sztaki.hu. (4. tézis)

[P10] R. Lakner, E. Németh, K. M. Hangos, and I. T. Cameron, „Multiagent re-alization of prediction-based diagnosis and loss prevention,” 2006. Acceptedto the IEA-AIE 2006 Conference and to the Lecture Notes in Artificial Intel-ligence. (3. tézis)Impakt faktor: 0.251 (2004)

[P11] R. Lakner, E. Németh, K. M. Hangos, and I. T. Cameron, „Agent-baseddiagnosis for granulation processes,” 2006. Accepted to the ESCAPE-16 Con-ference. (3. tézis)

[P12] E. Németh, R. Lakner, and K. M. Hangos, „Diagnostic goal-driven reductionof multiscale process models,” Model Reduction and Coarse-Graining Appro-aches 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-baseddiagnosis and loss prevention using qualitative multi-scale models,” Submittedto 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. InProceedings of The 3rd International PhD Workshop on Advances in Supervi-sion and Control Systems - Young Generation Viewpoint, Strunjan, Slovenia,2002. on CD.

[O2] Á. Kovács, E. Németh, and K. M. Hangos. Coloured Petri net model ofa simple runway. Technical report of the Systems and Control LaboratorySCL-001/2004, Computer and Automation Research Institute of HAS, 2004.

[O3] Á. Kovács, E. Németh, and K. M. Hangos. Modeling and optimization ofrunway traffic flow using coloured Petri nets. In International Conference onControl and Automation - ICCA05, pages 881–886, 2005. on CD.

100

A. függelék

Ellenáramú hőcserélő: különbözőrészletezettségi szintű modellek

Egy egyszerű ellenáramú hőcserélő többléptékű modelljét [P4] mutatom be ebben afejezetben.

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 hőcserélőlegfelső szintű modelljét egy tökéletesen kevert térfogatú cellapár, ún. hőcserélőcella alkotja. Minden ilyen cella két tökéletesen kevert tartályt tartalmaz be- éskiáramlásokkal. A két tartály a köztük elhelyezkedő hőátadó felület segítségévelkapcsolódik egymáshoz.

( )inhT

( )incT

hT hT

cTcT

Heat transfer

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 hidegés meleg oldali térfogatoknak.

Mérlegelési térfogatok Tökéletesen kevert mérlegelési térfogatot tekintek állan-dó térfogattal mind a hideg, mind a meleg oldalon. A h és c alsó indexek jelölik ameleg, 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)

dt=

Fh

Vh

(

T(in)h − Th

)

−KA

cphρhVh

(Th(t) − Tc(t))

ahol T(in)h (t) a meleg folyadék betáplálási hőmérséklete.

Energia mérleg a hideg oldalra

dTc(t)

dt=

Fc

Vc

(

T (in)c (t) − Tc(t)

)

−KA

cpcρcVc

(Tc(t) − Th(t))

ahol T(in)c (t) a hideg folyadék betáplálási hőmérséklete

A Fh és Fc a tömegáramokat, a Vh és Vc a térfogatokat, A a hőátadási felületnagyságát, cph

és cpca 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 kaszkádmodell a 33. ábrán látható hőcserélő cellákból épül fel.

Modellezési feltételek A modellezési feltételek utolsó feltételét kell módosítaniaz alábbira:

• A hőcserélőt, mint egy n darab tökéletesen kevert tartály reaktor párja a hidegés meleg oldali térfogatoknak sorozataként írjuk le. (n = 3)

II

Heat transfer

hot side

cold side

( )n(1) (2)(0)

hT (1)hT (2)

hT ( 1)nhT − ( )n

hT

( 1)ncT +( )n

cT(3)cT(2)

cT(1)cT

(1)hT

(1)cT

(2)hT

(2)cT

( )nhT

( )ncT

32. ábra. A hőcserélő kaszkád modellje

Q(i)

A(i)

Th(i)

Th(i)

Tc(i)

Tc(i) Tc

(i-1)

Th(i-1)

vh vh

vcvc

Vh(i)

Vc(i)

33. ábra. Egy hőcserélő cella modellje

Mérlegelési térfogatok Tekintsünk 3 tökéletesen kevert térfogatot azonos térfo-gattal mind a meleg, mind a hideg oldalon.

Modell egyenletek:

Változók(

T(k)h (t) , T (k)

c (t) , k = 1, 2, 3)

, t ≥ 0

ahol T(k)h (t) és T

(k)c (t) a meleg és hideg oldali hőmérséklet a k-dik tartálypárban és

t az idő.

Energia mérleg a meleg oldalra

dT(k)h (t)

dt=

Fh

Vh

(k) (

T(k−1)h − T

(k)h

)

−K(k)A(k)

c(k)ph

ρ(k)h V

(k)h

(

T(k)h − T (k)

c

)

, k = 1, 2, 3

T(0)h (t) = T

(i)h (t)

ahol T(i)h (t) ahol T

(in)h (t) a meleg folyadék betáplálási hőmérséklete.

Energia mérleg a hideg oldalra

dT(k)c (t)

dt=

Fc

Vc

(k)(

T (k+1)c − T (k)

c

)

−K(k)A(k)

c(k)pc

ρ(k)c V

(k)c

(

T (k)c − T

(k)h

)

, k = 1, 2, 3

III

T(4)h (t) = T (i)

c (t)

ahol T(i)c (t) a hideg folyadék betáplálási hőmérséklete. Fontos megjegyezni, hogy a

hideg folyakék áramlásának iránya ellentétes a térfogatindexek növekedésével.

Kezdeti feltételek

T(k)h (0) = f

(k)1 , k = 1, 2, 3 (31)

T (k)c (0) = f

(k)2 , k = 1, 2, 3 (32)

ahol a f(k)1 , k = 1, 2, 3 és f

(k)2 , k = 1, 2, 3 értékek adottak.

IV

Irodalomjegyzék

[1] Reticular Systems. AgentBuilder - An integrated Toolkit for Constructing In-telligence Software Agents, 1999. http://www.agentbuilder.com.

[2] System Safety Handbook, chapter 9: Analysis Techniques. Federal AviationAdministration, 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 processnetwork with multi-rate reactions. In IFAC World Congress, Prague, CzechRepublic, 2005.

[16] N. E. Balliu. An object oriented approach to the modelling and dynamics ofgranulation circuits. PhD thesis, Department of Chemical Engineering, TheUniversity of Queensland, 2005.

[17] M. Basila Jr., G. Stefanek, and A. Cinar. A model-object based supervi-sory expert system for fault tolerant chemical reactor control. Computers andChemical Engineering, 14(4-5):551–560, 1990.

[18] W. Becraft and P. Lee. An integrated neural network/expert system approachfor 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 geometricapproach. Automatica, 40:511–518, 1997.

[21] M. Brown and C. Harris. Neurofuzzy adaptive modelling and control. PrenticeHall 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. InL. Puigjaner and G. Heyen, editors, Computer Aided Process and ProductEngineering. 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. Processsystems modelling and applications in granulation: A review. Computers andChemical 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. ComputationalIntelligence, 18:89–101, 2002.

[29] L. Chen and M. Modarres. Hierarchical decision process for fault administra-tion. 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 ofChemical Engineers, Rugby, U.K., 2000.

[32] F. Crawley and B. Tyler. Hazard identification methods. The Institution ofChemical 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 intelligentsystems, pages 532–537, University of Paisley, Scotland, U. K., 2000.

[34] A. Edelmayer, J. Bokor, F. Szigeti, and L. Keviczky. Robust detection filterdesign in the presence of time varying system perturbations. Automatica,33(3):471–475, 1997.

[35] J. Ferber. Multi-Agent Systems - An Introduction to Distributed ArtificialIntelligence. 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: MITPress, 1993.

[38] P. M. Frank, S. X. Ding, and T. Marcu. Model-based fault diagnosis in tech-nical 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 systemsengineering. 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 Nonli-near 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 - AnIntroduction with Examples. Kluwer Academic Publishers, 2001.

VII

[47] A. Harder and J. A. Roels. Application of simple structured models in bioen-gineering. 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 annualmeeting, 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, pages313–341, 1990.

[52] IEC60812. Analysis techniques for system reliability - Procedure for failuremode and effects analysis (FMEA). Geneva, 1.0 edition, 1985.

[53] IEC61882. Hazard and operability studies (HAZOP studies) - Applicationguide. Geneva, 1.0 edition, 2001.

[54] G. Ingram and I. T. Cameron. Challenges in multiscale modelling and its app-lications to granulation systems. In 9th APCChE Congress and CHEMECA2002, 29 Sept - 3 Oct 2002, Christchurch, New Zeland, 2002.

[55] G. D. Ingram. Multiscale modelling and analysis of process systems. PhD the-sis, Division of Chemical Engineering, School of Engineering, The Universityof Queensland, 2006.

[56] G. D. Ingram, I. T. Cameron, and K. M. Hangos. Classification and analy-sis of integrating frameworks in multiscale modelling. Chemical EngineeringScience, 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 parameterestimation methods. Prentice Hall, 1989.

[59] R. Isermann. Model-based fault-detection and diagnosis - status and applica-tions. 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 Prac-tical Use. Volume 1, Basic Concepts. Monographs in Theoretical ComputerScience. Springer-Verlag, 1997.

[62] K. Jensen. Coloured Petri Nets. Basic Concepts, Analysis Methods and Prac-tical Use. Volume 2, Analysis Methods. Monographs in Theoretical ComputerScience. Springer-Verlag, 1997.

[63] K. Jensen. Coloured Petri Nets. Basic Concepts, Analysis Methods and Prac-tical Use. Volume 3, Practical Use. Monographs in Theoretical ComputerScience. 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 industryhazard. 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. ChemeticsInternational, 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 confe-rence on ’foundations of computer-aided process operations’ (FOCAPO), pages45–68, 1993.

[69] A. Kumar and P. Daoutidis. Nonlinear dynamics and control of process sys-tems with recycle. Journal of Process Control, 12:475–484, 2002.

[70] R. Lakner, K. M. Hangos, and I. T. Cameron. On minimal models of processsystems. Chemical Engineering Science, 60:1127–1142, 2005.

[71] C. A. Lakos. The role of substitution places in herarchical coloured Petrinets. Technical Report TR93-7, Computer Science Department, University ofTasmania, 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 dynamicprocess models. Journal of Process Control, 12:69–83, 2000.

[75] D. Leung and J. Romagnoli. Dynamic probabilistic model-based expert systemfor 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 granulationprocesses. 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 mo-deling. In M. F. Malone, J. A. Trainham, and B. Carnahan, editors, FifthInternational Conference on Foundations of Computer-Aided Process Design[AIChE Symposium Series 96(323)], pages 192–214, New York, 2000. Ameri-can Institute of Chemical Engineers.

[79] J. McCarthy. Programs with common sense. In Proceedings of the TeddingtonConference on the Mechanization of Thought Processes, London: Her Ma-jesty’s Stationery Office, 1959.

[80] S. McGahey and I. T. Cameron. Model transformations in multi scale modell-ing. In Johan Grievink and Jan van Schijndel, editors, European Symposiumon Computer Aided Process Engineering (ESCAPE)-12, pages 925–930, TheHague, The Netherlands, 2002. Elsevier Science.

[81] T. Murata. Petri nets: properties, analysis and applications. Proceedings ofthe IEEE, 77(4):541–574, Apr 1989.

[82] R. B. Newell and I. T. Cameron. Daesim Modelling and Simulation: User’sguide, Daesim Technologies Pty. Ltd., 2004. http://www.daesim.com.

[83] H. Németh, L. Palkovics, and K. M. Hangos. Unified model simplificationprocedure 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-kitfor 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 Petrinet with fuzzy colors. Computers and Industrial Engineering, 37(1-2):173–176,1999.

[86] C. C. Pantelides. New challenges and opportunities for process modelling. InR. Gani and S.B. Jorgensen, editors, European Symposium on Computer AidedProcess 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 IIMNr. 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 adiagnosis agent – Towards a framework for mobile diagnosis agents. LectureNotes in Artificial Intelligence 1611, IEA/AIE-99, pages 420–429, 1999.

[90] L. Portinale. Exploiting T-invariant analysis in diagnostic reasoning on aPetri net model. In Ajmone Marsan, M., editor, Lecture Notes in ComputerScience; Application and Theory of Petri Nets 1993, Proceedings 14th In-ternational 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 diagnosticsystems 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 effi-cient problem-solving in diagnostic expert systems. Computers and ChemicalEngineering, 9-10(12):891–902, 1988.

[95] S. H. Rich and V. Venkatasubramanian. Model-based reasoning in diagnosticexpert systems for chemical process plants. Computers and Chemical Engine-ering, 11:111–122, 1987.

[96] C. Rojas-Guzman and M. A. Kramer. Comparison of belief networks andrule-based systems for fault diagnosis of chemical processes. Engineering App-lications of Artificial Intelligence, 3(6):191–202, 1993.

[97] N. Roos, A. ten Teije, and C. Witteveen. Reaching diagnostic agreement inmulti-agent diagnosis. In AAMAS’04, New York, USA, 2004.

[98] D. Ruiz, J. Cantón, J. M. Nougués, A. Espuńa, and L. Puigjaner. On-linefault diagnosis system support for reactive scheduling in multipurpose batchchemical plants. Computers and Chemical Engineering, 25(4-6):829–837, 2001.

[99] S. Russell and R. Norvig. Artificial Intelligence: A Modern Approach. PrenticeHall, New Jersey, 2003. 2nd edition.

[100] M. Schroeder, C. V. Damasio, and L. M. Pereira. REVISE Report: An ar-chitecture for a diagnosis agent. In ECAI-96 Workshop on Integrating Non-Monotonicity into Automated Reasoning Systems, Budapest, Hungary, 1996.

XI

[101] R. Srinivasan and V. Venkatasubramanian. Experience with an expert sys-tem for automated HAZOP analysis. Computers and Chemical Engineering,20:S719–S725, 1996.

[102] R. Srinivasan and V. Venkatasubramanian. Automating HAZOP analysis ofbatch chemical plants: Part I. The knowledge representation framework. Com-puters and Chemical Engineering, 22(9):1345–1355, 1998.

[103] R. Srinivasan and V. Venkatasubramanian. Automating HAZOP analysis ofbatch chemical plants: Part II. Algorithms and application. Computers andChemical Engineering, 22(9):1357–1370, 1998.

[104] M. Stefik. Introduction to Knowledge Systems. San Fransisco CA: MorganKaufmann, 1995.

[105] Z. Szabó, J. Bokor, and G. J. Balas. Inversion of LPV systems and its appli-cation to fault detection. In Proceedings of the 5th IFAC symposium on faultdetection, 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 systembased on Petri nets. Computers and Chemical Engineering, 20(S1):S635–S640,1996.

[107] A. Szücs, M. Gerzson, and K. M. Hangos. An intelligent diagnostic systembased 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 processsystems engineering: knowledge representation. CACHE, Austin, TX., 1990.

[110] M. Uschold and M. Gruninger. Ontologies: principles methods and applicati-ons. Knowledge Engineering Review, 11:93–155, 1996.

[111] R. Vaidhyanathan and V. Venkatasubramanian. Digraph-based models forautomated HAZOP analysis. Reliability Engineering and System Safety,50(1):33–49, 1995.

[112] R. Vaidhyanathan and V. Venkatasubramanian. A semi-quantitative reason-ing 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 expertsystem for automated hazop analysis. Computers and Chemical Engineering,20:S1589–S1594, 1996.

[114] H. Vedam and V. Venkatasubramanian. Signed digraph based multiple faultdiagnosis. Computers and Chemical Engineering, 21(S):S655–S660, 1997.

XII

[115] V. Venkatasubramanian, R. Rengaswamy, and S. N. Kavuri. A review ofprocess fault detection and diagnosis Part II: Qualitative models and searchstrategies. Computers and Chemical Engineering, 27:313–326, 2003.

[116] V. Venkatasubramanian, R. Rengaswamy, S. N. Kavuri, and K. Yin. A re-view of process fault detection and diagnosis Part III: Process history basedmethods. Computers and Chemical Engineering, 27:327–346, 2003.

[117] V. Venkatasubramanian, R. Rengaswamy, K. Yin, and S. N. Kavuri. A revi-ew of process fault detection and diagnosis Part I: Quantitative model-basedmethods. Computers and Chemical Engineering, 27:293–311, 2003.

[118] Y. F. Wang, J. Y. Wu, and C. T. Chang. Automatic hazard analysis ofbatch 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 rolemodels with certainty factors for the leaching process. In In Proceedings of theThird 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 RevueltaSeijo, C. Senior, Miguel Angel Sanz Bobi, and Jose Villar Collado. DIAMOND:Distributed multi-agent architecture for monitoring and diagnosis. ProductionPlanning and Control, 15:189–200, 2004.

[121] A. Yang, W. Marquardt, I. Stalker, E. Fraga, M. Serra, and D. Pinol. Prin-ciples and informal specification of OntoCAPE. Technical report, COGentsproject, WP2, 2003.

[122] B. S. Yang, S. K. Jeong, Y. M. Oh, and A. C. C. Tan. Case-based reasoningsystem with Petri nets for induction motor fault diagnosis. Expert Systemswith Applications, 27(2):301–311, 2004.

[123] J. Yang, Montakhab M, A. G. Pipe, B. Carse, and T. S. Davies. Applicationof multi-agent technology to fault diagnosis of power distribution systems.In Proceedings of Engineering of Intelligent Systems (EIS 2004), Island ofMadeira, Portugal, 2004.

[124] J. Zhang and P. Roberts. Process fault diagnosis with diagnostic rules basedon 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 faultdiagnosis of hydrocracking process. Computers and Chemical Engineering,21(S):S929–S933, 1997.

[126] R. Zouakia, D. Bouami, and M. Tkiouat Mohamed. Industrial systems main-tenance modelling using Petri nets. Reliability Engineering and System Safety,65(2):119–124, 1999.

XIII