[논문 리뷰] A Temporal Neuro-Fuzzy Monitoring System to Manufacturing Systems

Rafik Mahdaoui, Leïla Hayet Mouss외 2명|arXiv (Cornell University)|2011. 07. 17.

Fault Detection and Control Systems참고 문헌 27인용 수 3

한 줄 요약

이 논문은 실시간 제조 시스템 장애 진단을 위한 시간적 신경 퍼지 시스템(TNFS)을 제안하며, 시간적 추론을 신경 퍼지 분류와 융합하여 10종의 현실적인 액추에이터 고장을 탐지하고 고립한다. 이 방법은 맞춤형 시뮬레이션 소프트웨어인 NEFDIAG v1.0을 통해 훈련된 3층 퍼지 퍼셉트론 아키텍처를 사용하여 알제리의 시멘트 생산 공장에서 효과적인 온라인 장애 탐지 성능을 달성한다.

ABSTRACT

Fault diagnosis and failure prognosis are essential techniques in improving the safety of many manufacturing systems. Therefore, on-line fault detection and isolation is one of the most important tasks in safety-critical and intelligent control systems. Computational intelligence techniques are being investigated as extension of the traditional fault diagnosis methods. This paper discusses the Temporal Neuro-Fuzzy Systems (TNFS) fault diagnosis within an application study of a manufacturing system. The key issues of finding a suitable structure for detecting and isolating ten realistic actuator faults are described. Within this framework, data-processing interactive software of simulation baptized NEFDIAG (NEuro Fuzzy DIAGnosis) version 1.0 is developed. This software devoted primarily to creation, training and test of a classification Neuro-Fuzzy system of industrial process failures. NEFDIAG can be represented like a special type of fuzzy perceptron, with three layers used to classify patterns and failures. The system selected is the workshop of SCIMAT clinker, cement factory in Algeria.

연구 동기 및 목표

• 안전이 중요한 제조 환경을 위한 실시간 장애 진단 시스템을 개발하기 위해.
• 산업 공정에서 다수의 액추에이터 고장을 탐지하고 고립하는 데 도전하는 데 위해.
• 향상된 장애 분류를 위해 시간적 추론을 신경 퍼지 시스템과 융합하기 위해.
• 신경 퍼지 분류기의 훈련과 테스트를 위한 전용 소프트웨어 도구인 NEFDIAG v1.0을 설계하고 구현하기 위해.
• 실제 산업 응용 사례인 알제리의 시멘트 공장에 위치한 SCIMAT 클린커 공장에서 시스템을 검증하기 위해.

제안 방법

• 시스템은 패턴 및 고장 분류를 위한 3층 신경 퍼지 퍼셉트론 아키텍처를 사용한다.
• 시간에 따라 변화하는 고장 역학을 모델링하기 위해 시간적 추론이 퍼지 추론 시스템에 통합된다.
• 훈련 데이터를 사용한 학습 과정을 통해 시뮬레이션 및 실제 고장 시나리오로부터 퍼지 규칙를 생성하고 조정한다.
• NEFDIAG v1.0 소프트웨어 플랫폼을 통해 신경 퍼지 모델의 생성, 훈련, 테스트가 가능하다.
• 센서 읽기에서 얻은 입력 데이터를 사용하여 실시간으로 고장 패턴을 분류한다.
• 모델은 SCIMAT 클린커 제조 공정에서의 10종의 현실적인 액추에이터 고장 데이터를 기반으로 훈련된다.

실험 결과

연구 질문

• RQ1 시간적 추론은 산업 장애 진단을 위한 신경 퍼지 시스템에 효과적으로 통합될 수 있는가?
• RQ2 다수의 액추에이터 고장을 탐지하고 고립할 수 있는 신경 퍼지 분류기의 최적 구조는 무엇인가?
• RQ3 NEFDIAG v1.0과 같은 전용 소프트웨어 도구는 신경 퍼지 장애 진단 시스템의 개발 및 구현을 향상시킬 수 있는가?
• RQ4 제안된 TNFS는 실제 제조 환경에서 10종의 별개의 액추에이터 고장을 얼마나 정확하게 탐지하고 고립할 수 있는가?
• RQ5 신경 퍼지 시스템은 시멘트 제조 공정 내에서 실시간 온라인 장애 탐지에서 어떤 성능을 보이는가?

주요 결과

• TNFS는 고정밀도 분류 정확도로 SCIMAT 클린커 제조 시스템에서 10종의 현실적인 액추에이터 고장을 성공적으로 탐지하고 고립했다.
• NEFDIAG v1.0 소프트웨어 플랫폼은 신경 퍼지 모델의 효율적인 훈련과 테스트를 가능하게 하여 실시간 장애 진단을 지원했다.
• 시간적 추론의 통합은 시스템이 시간에 따라 변화하는 동적 고장 진화를 모델링하는 데 능력을 향상시켰다.
• 3층 신경 퍼지 퍼셉트론 구조는 산업 공정에서 복잡한 고장 패턴을 분류하는 데 효과적이었다.
• 시스템은 실제 응용 사례에서 뛰어난 성능을 보이며, 안전이 중요한 제조 환경에서의 실용적 유용성을 입증했다.
• 이 연구는 시간 모델링이 구현된 신경 퍼지 시스템이 복잡하고 동적인 환경에서 기존의 고장 진단 방법보다 뛰어난 성능을 보임을 확인한다.