Monitorização, Deteção e Diagnóstico de falhas baseada em Redes Causais

Abstract

O controlo estatístico de processos faz parte do quotidiano industrial desde 1930. Contudo, a evolução tecnológica permitiu que se conseguisse medir e analisar milhares de variáveis em simultâneo, o que levou a que novas metodologias fossem desenvolvidas para serem capazes de lidar com a quantidade de dados recolhidos. A Análise dos Componentes Principais (PCA do inglês Principal Component Analysis) tem sido vista como a principal resposta para monitorizar processos químicos a larga escala, bem como para detetar eventos especiais. Apesar das mais valias do PCA, o diagnóstico da causa raiz pode ser inconclusivo e ambíguo, podendo o processo ficar fora de controlo durante um período de tempo prolongado. Uma das formas de aumentar a capacidade de diagnóstico é a incorporação da rede causal na metodologia de monitorização, por exemplo através de um pré-processamento que envolve a transformação das variáveis (SET-Hotelling-T2).1 Nesta dissertação, são propostas duas metodologias de monitorização hierárquica que consistem na decomposição funcional da sua rede causal, de forma a melhorar a deteção e o diagnóstico de falhas.As metodologias desenvolvidas consistem em encontrar os módulos funcionais da rede causal através da exploração da topologia do grafo e pela identificação das ligações entre as “comunidades” de variáveis. Tal permite reduzir a dimensionalidade dos sistemas a monitorar, aumentando, por sua vez, a sensibilidade à deteção de falhas de baixa magnitude e de falhas localizadas. A monitorização hierárquica é aplicada à rede causal completa mediante a agregação da informação dos módulos e das suas interações. É de salientar que a natureza causal destas metodologias facilita o diagnóstico da causa raiz. A diferença entre as duas metodologias propostas está na forma como se processa a informação vinda de cada módulo para a monitorização de falhas. Uma delas consiste em monitorizar cada módulo individualmente (CNET-D, Causal Network-Distributed). A outra envolve a concatenação de todas as estatísticas de monitorização numa só estatística (CNET-C, Causal Network- Centralized).O estudo das metodologias propostas e da inferência de redes causais foi feito através de um simulador de um sistema de uma rede artificial, desenvolvido por Rato e Reis2, para a geração de dados, assim como para a simulação de falhas no processo, em sensores e na correlação entre variáveis.A inferência de redes causais foi feita com recurso ao método das correlações parciais para a inferência de conectividade e à causalidade de Granger para a inferência da direccionalidade das associações diretas. Foi testada em dois sistemas, um linear estático e outro linear dinâmico. Este estudo demonstra que a inferência da rede é mais precisa no sistema linear dinâmico e com um tamanho de conjunto de dados maior que 5000.Em relação à deteção de falhas, as metodologias propostas, CNET-C e CNET-D, apresentaram maior sensibilidade face às metodologias que monitorizam a rede completa e ao PCA, demonstrando boas capacidades de deteção. O diagnóstico de falhas permitiu que se detetasse a causa raiz dos eventos de forma conclusiva e não ambígua, reduzindo o conjunto de variáveis a diagnosticar.

Statistical Process Control has been part of everyday industrial life since 1930. However, the technological evolution has made it possible to measure and analyze thousands of variables simultaneously, which led to the development of new methodologies capable of handling the amount of data collected. Principal Component Analysis (PCA) has been seen as the main answer for monitoring large-scale chemical processes, in addition to detecting special events. Despite the added value of PCA, the root cause diagnosis can be inconclusive and ambiguous, which causes the process to go out of control for an extended period. One of the alternatives for increasing diagnostic capability is to incorporate the causal network into the monitoring methodology, where the variables go through a pre-processing transformation.1 In this thesis, two hierarchical monitoring methodologies are proposed based on the functional decomposition of the system causal network to improve fault detection and diagnosis. The proposal monitoring methodologies consists in finding the functional modules of the causal network, by exploring its graph topology and identifying the strongly linked “communities” of variables to reduce the dimensionality of the system model, increasing the sensitivity to the detection of low magnitude and localized faults. Hierarchical monitoring is applied to the complete system causal network, aggregating information from the functional modules and their interactions. In addition, the causal nature of these methodologies facilitates root-cause diagnosis. The difference between these two proposal methodologies resides in how the information coming from each module for fault monitoring is processed. One of them consists of monitoring each module individually (CNET-D, Causal Network-Distributed). The other involves the concatenation of all monitoring statistics into a single statistical metric (CNET-C, Causal Network-Centralized). The study of the proposed methodologies and causal network inference was done using an artificial network simulator, developed by Rato and Reis2, for data generation as well as fault simulation (process, sensor, and correlation fault). The system causal network inference was performed using the partial correlations method and Granger causality for connectivity and causality inferences, respectively. The study was conducted on two systems, static linear and dynamic linear systems, which demonstrated that the network inference is more accurate in the case of the dynamic linear system.Regarding fault detection, the proposed methodologies, CNET-C and CNET-D, presented higher sensitivity when compared to methodologies that monitor the complete system causal network and the PCA, showing good detection capabilities. The diagnosis allowed the root cause to be detected conclusively and unambiguously.