Détection robuste des pannes dans la surveillance des processus chimiques en utilisant l'ACP multi-échelles avec l'approche KD

La détection efficace des pannes dans les processus chimiques est d'une importance capitale pour garantir la sécurité opérationnelle, minimiser l'impact environnemental et optimiser l'efficacité de production. Pour améliorer la surveillance des processus chimiques dans des conditions bruyantes, une approche statistique innovante a été introduite dans cette étude. L'approche proposée, appelée Analyse en Composantes Principales Multi-Échelles (ACP), combine les capacités de réduction de dimensionnalité de l'ACP avec les capacités de réduction du bruit des filtrages basés sur les ondelettes. L'approche intégrée se concentre sur l'extraction des caractéristiques de la représentation multi-échelles, équilibrant le besoin de conserver des informations importantes sur le processus tout en minimisant l'impact du bruit. Pour la détection des pannes, le schéma de surveillance basé sur la distance de Kantorovich (KD) est employé sur la base des caractéristiques extraites de l'ACP multi-échelles pour détecter efficacement les anomalies dans des données multivariées. De plus, un seuil de décision non paramétrique est employé par estimation de la densité par noyau pour améliorer la flexibilité de l'approche proposée. La performance de détection de l'approche proposée est étudiée à l'aide de données collectées à partir de colonnes de distillation et de réacteurs à cuve agitée continue (CSTR) sous diverses conditions bruyantes. Différents types de pannes, y compris les pannes de biais, intermittentes et de dérive, sont considérés. Les résultats révèlent la performance supérieure de l'approche proposée basée sur l'ACP-KD multi-échelles par rapport aux méthodes de surveillance conventionnelles basées sur l'ACP et l'ACP multi-échelles.