Articles & Issues
- Language
- korean
- Conflict of Interest
- In relation to this article, we declare that there is no conflict of interest.
- Publication history
-
Received December 3, 2003
Accepted July 20, 2004
-
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/bync/3.0) which permits
unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
Copyright © KIChE. All rights reserved.
All issues
Support Vector Machine을 이용한 화학공정 모니터링에 관한 연구
The Monitoring of Chemical Process using The Support Vector Machine
서울대학교 응용화학부, 151-742 서울시 관악구 신림동 산 56-1
School of Chemical Engineering and Institute of Chemical Processes, Seoul National University, San 56-1 Shilim-dong, Gwanak-gu, Seoul 151-742, Korea
Korean Chemical Engineering Research, October 2004, 42(5), 538-544(7), NONE Epub 18 November 2004
Abstract
장치가 집약화되어 있는 화학공정은 실시간으로 적절한 제어나 모니터링이 이루어지지 않을 경우 정상조업범위를 벗어날 가능성이 커지며 이는 생산품의 품질저하와 공정사고로 이어져 막대한 물질적 피해를 유발할 수 있다. 따라서 실시간 모니터링과 실시간 제어, 실시간 제어나 모니터링을 위한 실시간 변수추론이 중요한 의미를 가진다. 효율적인 이상감지 및 진단기법이 도출되기 위해서는 우선적으로 화학공정 상태를 나타내는 공정 데이터를 효과적으로 처리할 수 있어야 한다. 수많은 변수가 존재하는 화학공정 시스템은 개별적 감지를 수행하는 다변량 통계분석법을 사용하여야 한다. 다변량 통계적 분석기법은 화공분야에서는 공정의 이상감지, 실시간 추정이 어려운 물성추정을 위한 추론모델의 개발 등에 응용되고 있다. 그러나 이를 사용함에 있어서도 변수들 간의 높은 상관성에서 기인하는 multi-colinearity문제, 데이터 측정회수 보다 데이터를 이루는 변수가 많은 상황에서 기인하는 dimensionality 문제, 변수들 간의 비선형에서 기인하는 non-linearity 문제 등의 난점이 존재한다. 본 연구에서는 위에서 제시도니 여러 난점들을 극복하고 보다 빠르고 정확한 화학공정 감시를 위하여 SVM(suppot vector machine)을 이요한 알고리즘을 제안하였다. 이와 같이 구성된 모델을 가지고 tennessee eastman 공정에 적용하여 보았다.
In this paper, fault detection and diagnosis model using SVM (support vector machine) is proposed. This model is applied to develop inferential model that detects faults of a chemical process and diagnoses them. The existing multivariate method including PLS and Neural Network has been shown to be a powerful technique for process modelling and multivariate statistical process control. However, for systems that exhibit non-linear behavior and have sparse data, they can be inappropriate. In this paper by using SVM regression, more accurate and fast fault detection model is proposed. And then SVM classification is used for fault diagnosis model using known fault data. To verify the superior performance of the proposed model, the data sets of Tennessee Eastman Process are applied.
References
Downs JJ, Vogel EF, Comput. Chem. Eng., 17(3), 961 (1995)
Malthouse EC, Tamhane AC, Mah RS, Comput. Chem. Eng., 21(8), 875 (1997)
Baffi G, Martin EB, Morris AJ, Comput. Chem. Eng., 23(9), 1293 (1999)
Lightbody G, O'Reilly P, Irwin GW, Elly K, McCormick J, Control Eng. Practice, 5(11), 1501 (1997)
Kano M, Hasebe S, Hashimoto I, Ohno H, Comput. Chem. Eng., 25(7-8), 1103 (2001)
Nello C, John S, Cambridge, 99 (2000)
Qin SJ, McAvoy TJ, Comput. Chem. Eng., 16(4), 379 (1992)
McLain RB, Henson MA, Comput. Chem. Eng., 24(1), 99 (2000)
Wold S, Kettaneh-Wold N, Skagergerg B, Chemometrics & International Lab. Systems, 7(1), 53 (1989)
Ricker NL, Comput. Chem. Eng., 19(9), 949 (1995)
McAvoy TJ, Comput. Chem. Eng., 22(11), 1543 (1998)
Malthouse EC, Tamhane AC, Mah RS, Comput. Chem. Eng., 21(8), 875 (1997)
Baffi G, Martin EB, Morris AJ, Comput. Chem. Eng., 23(9), 1293 (1999)
Lightbody G, O'Reilly P, Irwin GW, Elly K, McCormick J, Control Eng. Practice, 5(11), 1501 (1997)
Kano M, Hasebe S, Hashimoto I, Ohno H, Comput. Chem. Eng., 25(7-8), 1103 (2001)
Nello C, John S, Cambridge, 99 (2000)
Qin SJ, McAvoy TJ, Comput. Chem. Eng., 16(4), 379 (1992)
McLain RB, Henson MA, Comput. Chem. Eng., 24(1), 99 (2000)
Wold S, Kettaneh-Wold N, Skagergerg B, Chemometrics & International Lab. Systems, 7(1), 53 (1989)
Ricker NL, Comput. Chem. Eng., 19(9), 949 (1995)
McAvoy TJ, Comput. Chem. Eng., 22(11), 1543 (1998)
