توصيفگر ها :
سيستم مديريت آلارم , شناسايي آلارم‌هاي همبسته , تعبيه گراف , خوشه‌بندي آلارم‌هاي فرايندي
چكيده فارسي :
در فرايندهاي صنعتي، ايمني همواره يكي از دغدغه‌هاي سرمايه گذاران و مهندسين بوده است. ايمني يك فرايند از لايه‌هاي مختلفي تشكيل مي‌شود يكي از اين لايه‌ها كه وظيفه حفظ ثبات يك فرايند و جلوگيري از بروز حوادث را به عهده دارد، سيستم آلارم است. سيستم آلارم وظيفه اطلاع رساني به اپراتور در مورد يك وضعيت غيرمعمول در فرايند را دارد. هنگامي كه يك متغير فرايند از محدوده تعريف شده براي آن تجاوز كند، آلارم مربوط به اين متغير برانگيخته مي‌شود و اپراتور پس از مشاهده اين آلارم و رسيدگي به وضع موجود، اقدام به رفع عيب كند. سيستم‌هاي آلارم صنعتي در طول ساليان گذشته پيشرفت قابل توجهي در پيچيدگي شبكه و تعداد آلارم‌ها داشته‌اند. اين افزايش پيچيدگي و تعداد باعث بوجود آمدن مشكلاتي در اين سيستم‌ها شده است كه نتيجه آن بي اعتمادي اپراتور به اين سيستم و حتي در برخي موارد خاموشي سيستم آلارم است كه مي‌تواند فجايع و خسارات گسترده‌اي را به دنبال داشته باشد. يكي از عوامل تعدد آلارم‌ها، وجود آلارم‌هاي وابسته است كه اين آلارم‌ها اطلاعات جديدي را در خود نداشته و تنها باعث سردر گمي اپراتور مي‌شود. در اين پژوهش سعي شده است روشي جديد براي شناسايي آلارم‌هاي وابسته مبتني بر روش‌هاي هوش مصنوعي ارائه شود تا علاوه بر كمك به اپراتور در تصميم‌گيري، امكان شناسايي منشأ عيب را نيز فراهم كند. در اين روش پس از پيش‌پردازش داده‌ها و ساخت دنباله‌هاي آلارم، يك گراف وزن‌دار از دنباله‌هاي ساخته شده تشكيل مي‌شود. پس از آن با استفاده از روش تعبيه گراف، هر گره به يك بردار متناظر با آن گره تبديل مي‌شود. در مرحله خوشه‌بندي اين بردارها توسط روشي متشكل از دو روش k-means و AHC خوشه‌بندي شده و دندروگرام حاصله رسم مي‌شود. به منظور صحت‌سنجي خوشه‌بندي، بردارهاي خروجي روش تعبيه گره توسط روش PCA در دو بعد رسم مي‌شوند. همچنين براي تشخيص صلاحيت اين روش از يك مطالعه موردي بر روي فرايند تنسي-ايستمن در انتهاي مقاله استفاده شده است.
چكيده انگليسي :
In industrial processes, safety has always been one of the concerns of both investors and engineers. The Safety of a process consists of several layers. One of these layers, which is responsible for maintaining the stability of a process and preventing unwanted events, is the alarm system. The alarm system is responsible for informing the operator about an unusual situation in the process. When a process variable exceeds the predefined threshold, the alarm related to this variable is triggered and the operator, after observing this alarm and handling the current situation, takes action to fix the problem. In the past decade, Industrial alarm systems have made significant advances in network complexity and the number of alarms. This increase in complexity and number has caused problems in these systems, which has resulted in the operator distrusting the system and, in some cases shutting down the alarm system, which can lead to widespread disasters and damage. One of the causes of the huge amount of alarms is the existence of correlated alarms, which do not contain new information and only confuse the operator. In this research, an attempt has been made to provide a new method for identifying correlated alarms based on artificial intelligence methods, in addition to assisting the operator in making decisions, it is also possible to identify the source of the fault. In this method, after pre-processing the data and constructing the alarm sequences, a weighted graph of the constructed sequences is formed. Then, using the graph embedding method, each node becomes a vector corresponding to that node. In the clustering stage, these vectors are clustered by a method consisting of K-means and AHC, and the resulting dendrogram is drawn. A case study on the Tennessee-Eastman process is also used to determine the validity of the proposed method at the end of the article.
