Brasil Jurnal Teknik

Kimia ISSN 0104-6632 Dicetak

di Brasil
www.abeq.org.br/bjche

Vol. . 25, No. 04, pp 777-788, Oktober-Desember 2008

DESAIN A MULTI-MODEL OBSERVER BERBASIS

ESTIMATOR UNTUK DETEKSI KESALAHAN DAN ISOLASI
(FDI) STRATEGI: APLIKASI
Sebuah REAKTOR KIMIA
Y. Chetouani *

Université de Rouen, Telepon: (0033) 23528466, Fax: (0033) 235.147.191,

Rue Lavoisier 76.821, Mont Saint Aignan Cedex, Perancis.
E-mail: Yahya.Chetouani@univ-rouen.fr

(Diterima: 1 Februari 2007; Diterima: 5 Maret 2008)

Abstrak - Penelitian ini menyajikan strategi FDI untuk sistem dinamis nonlinear. Ini menunjukkan metodologi menanggulangi deteksi
kesalahan dan masalah isolasi dengan menggabungkan teknik berdasarkan sinyal residu dan teknik menggunakan beberapa filter
Kalman. Kegunaan dari kombinasi ini adalah implementasi on-line dari himpunan model, yang mewakili mode normal dan semua
dinamika kesalahan, jika ambang keputusan statistik pada residu melebihi nilai tetap. Dalam kasus lain, salah satu Filter Kalman
diperpanjang (EKF) cukup untuk memperkirakan negara proses. Setelah menjelaskan arsitektur sistem dan metodologi FDI yang
diusulkan, kami menyajikan sebuah aplikasi yang realistis untuk menunjukkan potensi teknik ini. Sebuah algoritma dijelaskan dan
diterapkan pada proses kimia seperti fungsi reaktor kimia sempurna diaduk dalam mode semi-batch.

Kata kunci: Keamanan; Keandalan; Tugas beresiko; Metode FDI; Model pendekatan berbasis; Diperpanjang Filter Kalman (EKF).

PENGANTAR isolasi kesalahan dalam sistem industri rekayasa dan merupakan

Sebuah proses kimia hanya dapat diimplementasikan untuk
aplikasi industri jika sebuah studi lengkap telah dilakukan untuk
menjamin keamanan dan kualitas produk-produknya. Sebelum tahap
industri ini, fenomena yang terjadi selama
kimia proses yang
ditandai memastikan bahwa proses ini adalah yang paling
diadaptasi. Namun, tanaman di industri kimia dan biokimia
menjadi lebih besar dan lebih kompleks. Keselamatan tumbuh
dan tuntutan lingkungan yang memaksa industri untuk mencari
teknik yang lebih kuat dan baru untuk mendeteksi kesalahan
proses. Sebuah kesalahan didefinisikan sebagai perubahan yang
tak terduga dari fungsi sistem yang mungkin terkait dengan
kegagalan dalam komponen fisik atau dalam sensor sistem atau
aktuator. Deteksi dini dan
faktor penting untuk menghindari kerusakan produk, kerusakan
besar pada mesin, kerugian produksi, penurunan kinerja, ekonomi
tanaman miskin, pencemaran lingkungan dan kerusakan kesehatan
manusia atau bahkan hilangnya nyawa.
FDI adalah bidang penelitian aktif karena meningkatnya
permintaan untuk keamanan dan keandalan dan meningkatnya
kompleksitas proses tanaman. Banyak teknik FDI telah diusulkan
dalam literatur. Teknik ini dapat secara umum diklasifikasikan
sebagai pendekatan model berbasis, pendekatan data-driven,
berdasarkan logika-atau arus informasi grafik, redundansi
hardware, sistem berbasis pengetahuan dan teknik redundansi
analitis. Kami tertarik pada konsep apa yang disebut FDI model
berbasis dengan mengacu pada pengamat dan teknik
berbasis-filter (Chetouani, 2006a,

* Untuk siapa korespondensi harus ditangani

778
Chetouani, 2006b). teknik model berbasis semua menggunakan
model matematika dari tanaman yang dipantau. Berbagai
macam pendekatan ini telah diusulkan untuk mengatasi masalah
isolasi (Patton et al, 2000;.. Chen et al, 1999;. Isermann et al,
1997). Namun, realisasi konseptual model ini dapat bervariasi
sesuai dengan pendekatan berikut; deteksi kesalahan saringan
(Liberatore et al, 2006;.. Henry et al,
2005), ruang paritas (Isadi et al, 2005), identifikasi parameter
(Fantuzzi et al, 2002;... Zogg et al,
. 2006), estimasi state (Biagiola et al, 2006) dan teknik nonlinear
(Edelmayer et al, 2004;.. Korbicz et al, 2004). Pendekatan berbasis
model didasarkan pada filter Kalman telah digunakan dalam berbagai
jenis aplikasi, seperti deteksi kegagalan on-line di pembangkit listrik
tenaga nuklir (Tylee, 1983); kesalahan on-line dalam reaktor kimia
(Chetouani, 2004), di DC motor untuk memprediksi kegagalan dengan
menempatkan sebuah attenuator eksponensial pada akhir output dari
model motor untuk mensimulasikan penuaan kegagalan, sehingga
kesalahan prediksi kecil (Yang,
2002), atau dalam mendeteksi kesalahan dalam turnouts di elemen
infrastruktur sistem kereta api (García et al, 2003;.. Pedregal et al,
2004). Simani et al. (2006) menggunakan EKF untuk identifikasi
sistem yang dinamis dan diagnosis kesalahan berbasis model
prototipe turbin gas industri. Sebuah prosedur model berbasis
mengeksploitasi redundansi analitis untuk deteksi dan isolasi
kesalahan dalam proses turbin gas disajikan. Titik utama dari
pekerjaan mereka terdiri dari mengeksploitasi
identifikasi sistem skema
Sehubungan dengan pengamat dan filter prosedur desain untuk tujuan diagnostik.
Zhan et al. (2006) disajikan teknik berbasis model untuk deteksi dan diagnosis
kesalahan gigi bawah berbagai kondisi beban menggunakan gerakan gigi sinyal
residu. Sebuah berbasis-filter Kalman Auto-Regresif (AR) model kebisingan-adaptif
dipaskan dengan gerakan gigi sinyal sisa dalam keadaan sehat dari gigi yang
menarik. Ini terdiri dari pas model AR gerak gigi sinyal residu dan mengambil
keuntungan dari NAKF untuk decorrelate sinyal untuk menghasilkan urutan
Gaussian putih. Pedregal et al. (2006) mengembangkan sebuah model prediksi
kompleks berdasarkan filter algoritma Kalman untuk data getaran dalam negara
kelas ruang diterapkan pada data riil di industri petrokimia. Inti dari sistem ini adalah
model untuk meramalkan keadaan mesin menggunakan data yang disediakan oleh
sistem pemantauan kondisi pada setiap saat dalam waktu. Feil et al. (2006)
disajikan sistem monitoring berdasarkan Kalman penyaringan untuk transisi proses.
Mereka menggunakan algoritma negara-estimasi model berbasis untuk mendeteksi
perubahan dalam hubungan antara negara-variabel. Brännbacka et al. (2004)
mengembangkan model canggih untuk melacak besi dan terak tingkat di tanur
perapian. Masalah estimasi tingkat cair ditangani (2004) mengembangkan model
canggih untuk melacak besi dan terak tingkat di tanur perapian. Masalah estimasi
tingkat cair ditangani (2004) mengembangkan model canggih untuk melacak besi
dan terak tingkat di tanur perapian. Masalah estimasi tingkat cair ditangani
Brasil Jurnal Teknik Kimia
Y. Chetouani
oleh Kalman filter diperpanjang, dimana varians dari pengukuran dan
parameter dapat secara optimal dipertimbangkan. Nyberg et al.
(2004) menggunakan Kalman filter diperpanjang untuk udara-jalan
mesin diesel turbo-charged. Mesin ini dilengkapi dengan daur ulang
gas buang (EGR) dan turbin variabel nozzle (VNT). Kesalahan
dianggap berada massa udara aliran kesalahan sensor,
intake-berjenis tekanan sensor kesalahan, udara-kebocoran, dan
EGR-katup terjebak dalam posisi tertutup. Mereka menunjukkan
bahwa sistem diagnosis berhasil dievaluasi dalam mobil nyata
mengemudi di jalan. Alessandri (2003) disajikan metode model
berbasis untuk mendeteksi kesalahan dalam sistem nonlinear dengan
cara bank penduga, yang memberikan perkiraan parameter yang
menggambarkan kesalahan aktuator, tanaman, dan sensor. estimator
ini melakukan sesuai dengan strategi surut-horizon dan dirancang
menggunakan model dari kegagalan. Pertunjukan yang diperoleh
dalam estimasi parameter kesalahan oleh estimator saraf diusulkan
dan oleh filter Kalman diperpanjang dibandingkan dengan cara
simulasi dengan aplikasi untuk robotika bawah air. Shi et al. (2003)
mengemukakan kerangka penyaring untuk memperkirakan
dua dimensi kiri ventrikel
deformasi dari MRI (magnetic resonance imaging) fase kontras
bidang kecepatan spline-regularized yang dibatasi oleh endocardial
tersegmentasi dan kontur epicardial. Setelah konversi ke ruang
keadaan representasi, prosedur penyaringan Kalman diperpanjang
diadopsi untuk linearize persamaan dan untuk memberikan
perkiraan bersama dalam arti optimal perkiraan. Mereka
di menyimpulkan eksperimental bahwa adalah mungkin untuk
mengadopsi biomekanik model berbasis pendekatan estimasi
multiframe ini untuk mencapai perkiraan konvergensi karena sifat
periodik dari dinamika jantung. Bhagwat et al. (2003) mengusulkan
kesalahan berdasarkan model-
skema deteksi bahwa melibatkan
dekomposisi sistem transient nonlinear menjadi beberapa rezim
pemodelan linear. Kalman filter dan pengamat loop terbuka
yang digunakan untuk estimasi negara dan generasi residual
berdasarkan model linear yang dihasilkan. Li et al. (2003)
disajikan estimasi on-line dari diaduk-tank budaya mikroalga
fotobioreaktor berdasarkan pengukuran oksigen terlarut.
Diperpanjang Kalman Filter (EKF) diterapkan untuk
memberikan perkiraan yang optimal dari negara fotobioreaktor,
berdasarkan model proses dinamis dalam hubungannya
dengan pengukuran oksigen terlarut on-line. Jang et al. (2000)
mengusulkan algoritma pelacakan berbasis model yang dapat
mengekstrak informasi lintasan dari objek target dengan
mendeteksi dan melacak objek bergerak dari urutan gambar.
Mereka diterapkan filter Kalman untuk memprediksi informasi
gerak,
 Desain dari Pengukur Multi-Model Observer Berbasis untuk kesalahan Deteksi dan Isolasi Strategi (FDI)
Dalam tulisan ini, ide dasar dari pendekatan yang diadopsi
adalah untuk merekonstruksi output dari sistem dari pengukuran
menggunakan pengamat dan menggunakan residu untuk deteksi
kesalahan (Mehra et al, 1971;. Franck, 1990; Chetouani, 2004).
Penelitian ini juga menunjukkan metodologi untuk mengatasi
masalah isolasi penyebab kesalahan dengan menggabungkan
teknik terakhir dan teknik menggunakan beberapa filter Kalman
untuk sistem dinamis nonlinear. Kegunaan dari kombinasi ini
adalah implementasi on-line dari semua model dinamika
kesalahan jika
ambang keputusan statistik pada inovasi standar melebihi
nilai tetap. Dalam kasus lain, satu diperpanjang Kalman Filter
cukup untuk memperkirakan negara proses untuk menghindari
integrasi numerik tinggi dari semua model. Setelah
menjelaskan arsitektur sistem dan metodologi yang diusulkan
FDI, kami menyajikan sebuah aplikasi yang realistis untuk
menunjukkan potensi teknik ini. Tujuannya adalah untuk
mengembangkan dan menguji metode FDI pada data kejadian
nyata, untuk mendeteksi terjadinya perubahan, untuk
menentukan saat itu terjadi dan untuk menemukan penyebab
kesalahan. Hasil eksperimen menunjukkan kekokohan metode
FDI.
Struktur makalah ini adalah sebagai berikut. Pertama,
deskripsi dari strategi FI dengan menggunakan beberapa filter
Kalman disajikan. Maka strategi FD dengan menggunakan
inovasi standar yang disajikan diikuti oleh deskripsi metode FDI
yang diusulkan. Kemudian validasi eksperimental yang
komprehensif dari metode yang diusulkan disajikan. Akhirnya,
kesimpulan yang ditarik di bagian terakhir.
Gambar 1: Skema strategi FDI
Brasil Jurnal Teknik Kimia Vol. . 25, No. 04, pp 777-788, Oktober-Desember 2008
779
KESALAHAN ISOLASI STRATEGI DENGAN MENGGUNAKAN
THE FILTER KALMAN GANDA
Sebuah sistem FDI harus melakukan dua tugas, yaitu deteksi kesalahan dan
isolasi kesalahan. Tujuan dari modul deteksi kesalahan adalah untuk menentukan
bahwa kesalahan telah terjadi dalam sistem. Tugas kedua dikhususkan untuk
menemukan penyebab kesalahan. Untuk mencapai tujuan ini, semua informasi yang
tersedia dari proses harus dikumpulkan dan diproses untuk mendeteksi perubahan
dari perilaku nominal proses. Model berbasis isolasi kesalahan bergantung pada
model matematika dari tanaman untuk mengidentifikasi ketidaksesuaian antara
tanaman nominal dan tanaman ketika kesalahan terjadi (Isermann, 2005). Deteksi
kesalahan biasanya dilakukan dengan mengevaluasi residual yang sensitif terhadap
terjadinya kesalahan dalam dinamika proses. Dalam kasus perilaku normal, residual
memiliki sifat yang diketahui apriori. Karenanya, setiap perubahan tiba-tiba atau
mendadak dalam nilai dari setiap parameter kontrol proses menyiratkan beberapa
penyimpangan dari properti-properti dari profil mode normal. Gambar. 1
menunjukkan metode isolasi kesalahan berdasarkan analisis evolusi residual antara
output riil dan output diperkirakan oleh Kalman filter diperpanjang. Filter ini adalah
alat yang efektif untuk estimasi stochastic negara dari pengukuran bising. Karena
relatif sederhana dan alam yang kuat, filter Kalman telah banyak digunakan untuk
mendapatkan estimasi dari variabel negara dalam praktek. nomor penyaring
didefinisikan dari daftar lengkap dari semua model dari kesalahan dan model
perilaku normal dari proses. 1 menunjukkan metode isolasi kesalahan berdasarkan
analisis evolusi residual antara output riil dan output diperkirakan oleh Kalman filter
diperpanjang. Filter ini adalah alat yang efektif untuk estimasi stochastic negara dari
pengukuran bising. Karena relatif sederhana dan alam yang kuat, filter Kalman telah
banyak digunakan untuk mendapatkan estimasi dari variabel negara dalam praktek.
nomor penyaring didefinisikan dari daftar lengkap dari semua model dari kesalahan
dan model perilaku normal dari proses. 1 menunjukkan metode isolasi kesalahan
berdasarkan analisis evolusi residual antara output riil dan output diperkirakan oleh
Kalman filter diperpanjang. Filter ini adalah alat yang efektif untuk estimasi stochastic
negara dari pengukuran bising. Karena relatif sederhana dan alam yang kuat, filter
Kalman telah banyak digunakan untuk mendapatkan estimasi dari variabel negara dalam praktek. nomor penya
780 Y. Chetouani

Metode beberapa filter memungkinkan membangun dimana k γ= (x))k - (Yh

-
adalah inovasi antara
k k
hubungan antara anomali terdeteksi selama proses dan situasi
output diukur dan diperkirakan satu.
tertentu dari proses. Ini terdiri dari memiliki pengamatan
diproses oleh satu set EK filter (King et al., 1990). Setiap EKF
A posteriori negara kovarians adalah:
sesuai dengan asumsi kesalahan tertentu. {y 1 ( t) ... y n ( t)}
mewakili model kesalahan. selama yang normal + - -
Pk = -(IKH (x))
kk P
ˆk k (4)
berfungsi, filter EK menghasilkan
inovasi yang harus rendah. Mereka bergantung hanya pada dimana H (xˆ (t), t) adalah matriks Jacobian dari turunan
kesalahan intrinsik dan variasi acak dari peralatan pengukuran. parsial h sesuai dengan vektor negara:
Dalam kasus lain di mana dinamika proses tidak dihormati,
sinyal-sinyal yang sama berevolusi berbeda sesuai dengan
besarnya pengaruh kesalahan pada keadaan umum tanaman.
(x (t), t) ∂= ∂(x (t), t) H
h saya
Akibatnya, tujuan dari metode ini terdiri dari menentukan filter aku j
(5)
terdekat yang menghasilkan inovasi terendah. x (t)
j
x (t) = x (t)

Dibawah normal kondisi operasi, itu

Dengan mengandaikan bahwa perilaku proses nonlinier -
inovasi γ k= (x))k - (Yh adalah white noise
digambarkan oleh satu set selesai model diindeks i 1, ...., N k k

= ; dan dengan input ( ku) dan Urutan dengan mean nol dan varians:

Output z (k) untuk k 1,2, ...= . dinamika

-- T -
η k= (H (x) PH
kkk (x) R)
ˆk + (6)
Proses nonlinier dapat dinyatakan dengan berikut: k

x saya
(t) f (x
= (t), u (t), t) wsaya
(t) + (1) Dengan mencatat bahwa model i adalah model yang
saya saya saya
mewakili dinamika sistem nyata, probabilitas dapat didefinisikan
on-line sesuai dengan uji hipotesis. Berbeda dengan standar
z saya
(k) h =(x (t)) v (k) + k 1,
= 2, ...
saya saya k saya
Kalman filter, metode ini
memiliki untuk memasukkan itu set
n
dimana xℜ∈ adalah vektor negara, dengan nilai awal I saya
(k) (0), ..., u (ksaya1),-
= ( u saya z saya
(1), ..., z (k)
saya ) dan untuk
dari x,0z adalah vektor pengukuran, w (t) adalah
output probabilitas masing-masing model. Dengan menerapkan hukum Bayes',
kebisingan sistem mewakili kesalahan pemodelan dan gangguan probabilitas masing-masing model adalah:
yang tidak diketahui, dan v (k) adalah pengukuran kebisingan.
Kedua sistem dan pengukuran suara diasumsikan independen pz( (ksaya
1 / +H), I (k), u (k) p (k)saya )
saya saya saya
suara putih acak dengan mean nol dan kovarians matriks, p saya
(k 1)+ = (7)
N

masing-masing Q dan R. Fungsi f dan h masing menunjukkan, Σ pz( (kj 1 / +

H), I (k),j u (k)
j
p (k) j ) j
masing-masing, fungsi nonlinear dari negara dan output. j =1

diperpanjang Kalman Filter pada dasarnya satu set persamaan

matematika yang bertujuan meminimalkan diperkirakan kovarian di mana kepadatan probabilitas bersyarat
error di estimator negara (Hovland et al., 2005). estimasi ini p (z saya
(k 1+/ H), I (k), u (k))
saya saya saya
dihitung menurut
dengan EKF diberikan oleh persamaan berikut: Kalman gain: dengan sifat kebisingan. distribusinya mengikuti hukum yang normal:

pz( (ksaya
1 / +H), I (k), u (k)
saya saya saya )=
(8)
- T - -- T - - 1 • 1 T1i- •
KPH
k
=(x)kk
(H (x) PHk (x) R)
k kkk
ˆ k + (2) exp •-γ (K 1)
+η (K 1)
+ γ (k 1)
i + •
• 2 (2) •
saya

m/2 1/2
A posteriori estimasi negara adalah: π η saya
( det ((k +1) )

+ - -
x k
= +x kK (yh (x))
kk - k
ˆ k (3) m merupakan dimensi dari vektor pengukuran.

Brasil Jurnal Teknik Kimia

 Desain dari Pengukur Multi-Model Observer Berbasis untuk kesalahan Deteksi dan Isolasi Strategi (FDI) 781

KESALAHAN DETEKSI STRATEGI DENGAN MENGGUNAKAN jika yang terakhir ini lambat, ukuran akan besar. Jika tidak, ketika
THE INOVASI DISTANDARISASI dinamika berkembang pesat, sampel akan diambil dengan cepat untuk
memungkinkan keputusan harus dibuat sedini mungkin.
Analisis inovasi yang dihasilkan diperlukan untuk deteksi kesalahan. s
η mengacu pada rata-rata sebenarnya dari
Dengan tidak adanya kesalahan, nilai inovasi adalah mendekati nol.
Sampel. Di bawah hipotesis ( Hai H), s η memiliki gaussian
Sebuah kesalahan menyebabkan proses untuk berperilaku berbeda dari
model prediksi normal, dan filter, yang membandingkan model dan
distribusi dengan mean nol dan kovarians sebuah
ηEη(ss)
= I/N
T
proses, menghasilkan inovasi besar. Kesalahan terdeteksi oleh . Namun, di luar tingkat tertentu
penyimpangan inovasi dari nilai yang normal ini. Dalam prakteknya penerimaan, seperti di atas α ( hipotesis 'non-normal'
analisis statistik inovasi seperti mean rata-rata bergerak, rasio putih juga
H),1 hipotesis 'normal' ( Hai H) ditolak:
dapat digunakan sebagai sinyal deteksi kesalahan. Namun dalam studi
kasus (Chetouani,
s α
η> (12)
2004), diamati bahwa inovasi itu sendiri merupakan indikasi yang
baik dari negara proses (normal atau rusak). Dalam hal ini, Ambang batas α tergantung pada probabilitas alarm palsu.
ambang statistik berdasarkan inovasi memungkinkan ambang batas dapat didefinisikan untuk inovasi untuk perilaku
pembatasan dua wilayah yang berbeda; wilayah pertama disebut normal. Ambang pilihan batas, dalam banyak kasus, tergantung
wilayah aman di mana variasi inovasi dianggap diterima. Wilayah pada proses di tangan (Himmelblau, 1978). Hipotesis ambang
kedua adalah tidak dapat diterima (wilayah kesalahan) dan mana batas menyumbang perubahan inovasi karena kebisingan dan
variasi inovasi melebihi ambang batas statistik. Mengingat beberapa proses model mismatch. Dengan kata lain, ambang
wilayah kesalahan π di ruang sampel batas dapat didefinisikan dan berdasarkan penyimpangan proses
minimum yang tidak dapat diterima.
n
ℜ, wilayah yang diterima C π didefinisikan sebagai pelengkap
π di n
ℜ. Mari M menjadi titik ukuran n
PENDEKATAN FDI DIUSULKAN
mewakili sampel. sampling sesuai dengan representasi nyata
dari proses. Perhatikan bahwa itu adalah nyaman untuk
Standar metode multiple filter didasarkan pada semua model
digunakan urutan inovasi standar untuk hipotesis standar uji
(normal dan rusak) perpustakaan matematika kesalahan (atau
statistik (Chetouani, 2006a). Urutan ini dinyatakan sebagai
bank filter). The on-line pelaksanaan semua model dilakukan
berikut:
setelah mulai proses. ketidaknyamanan lain dari EKF
dibandingkan dengan filter linear adalah waktu yang tinggi
diperlukan untuk pengolahan; gain Kalman berkaitan dengan
-- T - - 1/2
η s=k (H (x)
k
PH
kkk (x) R)
ˆk + matriks Jacobian dari model berdasarkan estimasi negara.
(9) Bahkan, diperpanjang Kalman filter didasarkan pada linierisasi,
- - 1/2
k
- k
(Yh
k
(x))
= η( k
) γk memungkinkan estimasi keadaan sistem nonlinear. Karena itu,

dengan Tidak mungkin

dijamin bahwa estimasi akan bertemu. Jika filter konvergen,
E (ss)
η η I= δk
Tj
(10) ketepatan estimasi tergantung pada lintasan sistem. Untuk
jk
menghindari masalah numerik ini, penelitian ini mengusulkan
sebuah algoritma yang mendalami keadaan inovasi standar
δ dan saya mewakili, masing-masing, simbol Kronecker dan
yaitu penggunaan hanya satu diperpanjang Kalman filter.
matriks identitas. η memiliki
sk mean nol
Selama fungsi normal, filter ini memungkinkan estimasi dari
dan varians satuan. Setiap penyimpangan dari perilaku normal negara terukur dan non-terukur dari proses (nomor mol,
menyebabkan perubahan besar ini sifat statistik. Sebuah tes konsentrasi, atau orang lain) dan dapat bahkan digunakan
pada mean dari hukum normal N (0, I) dilakukan untuk untuk pengembangan hukum kontrol berdasarkan prediksi
memverifikasi apakah urutan inovasi standar (Chetouani, proses. Dalam kasus lain ketika ambang statistik untuk inovasi
2006a) memiliki mean nol. Yang terakhir ini diperkirakan oleh: standar melebihi tingkat tetap signifikansi (15%), termasuk
suara-suara pengukuran dan kesalahan pemodelan, modul
isolasi kesalahan bergerak. Kegunaan
N
1
ηs = Σ η s jj (11)
N =1 ini
Kombinasi adalah untuk menghindari inversi matriks dan numerik
di mana N adalah ukuran sampel, yang tergantung pada integrasi saat proses aku s
dinamika sistem. Ukuran sampel pengamatan perwakilan berfungsi dekat ke mode normal. Ini
tergantung pada respon sistem; Kombinasi digambarkan oleh diagram pada Gambar. 2.

Brasil Jurnal Teknik Kimia Vol. . 25, No. 04, pp 777-788, Oktober-Desember 2008
782 Y. Chetouani

Gambar 2: Pendekatan FDI yang diusulkan

PENERAPAN FDI DIUSULKAN konstan) dapat juga diperkenalkan. software pengawasan juga
PENDEKATAN memungkinkan regulasi pengenalan laju aliran dan tingkat
mengaduk reaktor. Ini menampilkan dan menyimpan data selama
Perangkat eksperimental: Reaktor Kimia percobaan untuk eksploitasi lebih lanjut.

Reaktor kimia diwakili dalam Gambar. 3 bekerja di bawah

tekanan atmosfer. Ini adalah reaktor kaca-berjaket dengan Pilihan Reaksi Kimia
masukan tangensial untuk fluida perpindahan panas. Kapasitas
reaktor adalah dua liter. Hal ini dilengkapi dengan pemanas Dalam rangka untuk menggambarkan pendekatan FDI yang
listrik kalibrasi, sistem pengadukan (anchor) dan sistem input diusulkan, sintesis kimia dalam reaktor laboratorium-size
(dua pompa dosis dan dua skala, dengan pengukuran suhu dilakukan-out. Reaksi yang dipilih adalah sangat eksotermis
pada input). Hal ini juga dilengkapi dengan probe suhu Pt100. Oxido pengurangan satu (Aime, 1991), oksidasi natrium tiosulfat
Lima probe dimasukkan melalui reaktor kimia dalam massa oleh hidrogen peroksida. Reaksi ini dapat dinyatakan dengan
reaksi, pendinginan, dalam kondensor dan dalam pengenalan persamaan berikut:
laju aliran. Sistem pemanas-pendingin, yang menggunakan
fluida perpindahan panas tunggal, bekerja dalam suhu dari -15
ke 200 ° C. software pengawasan memungkinkan pemasangan na SO
223 + 2H O2 2 → 0 .5Na SO
236 +
parameter dan nilai instruksi mereka. Parameter diperkenalkan (13)
pada sistem pengawasan adalah mode kontrol suhu massa 0 .5Na SO
2 4
+ 2H O2
reaksi (isotermal atau kemiringan suhu) dan dari cairan jaket
(konstan atau kemiringan suhu). Modus distilasi (perbedaan Ini persamaan aku s tertulis sebagai:

antara suhu massa reaksi dan suhu jaket cairan dipertahankan 2A B+0.5C
→ 0.5D 2E+ + , Di mana berikut
notasi disesuaikan: A: hidrogen peroksida
HO;
2 2 B: natrium tiosulfat Na SO;
2 2 3 C:

natrium persulfat Na SO;

2 3 6 D: natrium sulfat

Na SO;
2
E:
4 air HO.
2

Brasil Jurnal Teknik Kimia

 Desain dari Pengukur Multi-Model Observer Berbasis untuk kesalahan Deteksi dan Isolasi Strategi (FDI) 783

Gambar 3: Diagram reaktor kimia

Pemodelan Reaktor Kimia dT RRR

(t) m
Cp AT (t)(T (r, t) -dt
= - h RRR w r R= 1 )-
Dalam rangka untuk menjamin bahwa kesalahan dapat
- E
dideteksi dan diisolasi, model matematika dari proses dalam β
α
(n (M) / -χV n (Z) VH
RT 0
penyelidikan yang diperlukan, baik dalam ruang keadaan atau Ke Hai ) ( Hai
-χ ) Δ (14)
bentuk input-output. deskripsi ruang keadaan umumnya
T fj
menyediakan alat-alat matematis ketat untuk pemodelan sistem
dan generasi residu yang dapat digunakan dalam deteksi + Fj Cp dT jKc TT
+ -(t) ( )
∫ Sebuah R
kesalahan sistem industri, baik untuk pengukuran kebisingan-bebas TR
dan lingkungan data berisik. Perilaku dinamis dari reaktor kimia
dimodelkan dengan sistem persamaan diferensial menerjemahkan •
dT (t) m
saldo molar dan panas dalam reaktor. Model yang digunakan Cp f
= m fCp T f (t)( Tfe(t) dt- f )+
didasarkan pada hipotesis berikut (Chetouani, 2004):
ff
(15)
h fAT f ( w r=
R +e 1
- T f(t) )
Reaktor yang sempurna diaduk: suhu massa reaksi dan
konsentrasi yang homogen melalui volume massa; 2w
∂ T (r, t) ∂ T w(r, t) 1 r
+ +
2
∂ r T (r, ∂r
Tidak ada perubahan fase dalam massa reaksi; Kepadatan,
(16)
panas spesifik dari pendinginan dan panas massa reaksi 2w
∂ t) ∂ Tw
(r, t) 1 a
independen dari suhu. =
∂z
2
w ∂t
Dengan memperhitungkan inersia termal dari dinding, tiga
saldo energi (14, 15 dan 16) didirikan, masing-masing, dalam Dengan kondisi batas di (O, r, z 0) ℜ =:
massa reaksi, dalam cairan jaket dan di dinding reaktor.

t 0;
= T w(r, 0) (ln =(r)μ +τ ) R 1r ≤
R ≤e + (17)
1

Brasil Jurnal Teknik Kimia Vol. . 25, No. 04, pp 777-788, Oktober-Desember 2008
784 Y. Chetouani

dimana signifikan jika ada yang tertarik dalam deteksi kesalahan dan isolasi.
Memang, tes ditetapkan oleh
menganalisis kesalahan rekonstruksi, yang sensitif terhadap kesalahan
(T (r, t)
w R= 1
- T wr
(r, t) R
r=
R +e 1 ) terdeteksi dan juga untuk kesalahan pemodelan.
μ= (18)
e• ln R+ • Sebelum memecahkan persamaan (14, 15 dan 22) dengan
1
• • metode Runge-Kutta-Fehlberg (Forsythe et al.,
• 1 •
1977), sistem persamaan untuk keseimbangan panas di dinding
reaktor (16, 20 dan 21) diubah menjadi sistem persamaan aljabar.

(T w(r, t)
r =R
ln (R1e)+ T
- (r, t) w
r =R+e1
ln (R)1 ) Dengan menggunakan metode beda hingga di bawah rumusan
τ=
1
(19) eksplisit, persamaan (16, 20 dan 21) menjadi, sesuai dengan
• R 1e1+ln • skema numerik pada Gambar 4.:
• •
R• •

t 0> Suhu massa reaksi untuk titik nodal interior ( 1

RrR
<<+):
e 1

∂ T w(r, t)
h RRR (
AT (t) T (r, t) - w r =R ) = -λ w SEBUAH
R
∂t
(20)
n+
1
•
Δ=- w Δ tt
Sebuah • n
•• 1 2a w - T saya+
1
r =R 1 T saya
2
••
Δ Δ
• rrra •
(23)
∂ T w(r, t) • • • Δt •
(
h fATfw(r, t)
r =R+e1
- T f (t) )= -λ wfSEBUAH
∂t
(21)
••
Δ
Sebuah +
w Δ tt
•• T i +1
n
+• Sebuah •
n
T i -1
w 2
rrr • w 2 •
r =R+e1
• Δ Δ
• • Δr •

menggunakan itu dinormalisasi reaksi tingkat

di mana subscript mengacu pada titik nodal interior dan
(Villermaux, 1993), keseimbangan massa di massa reaksi dapat
eksponen mengacu pada langkah waktu. Suhu batas dinding
ditulis sesuai dengan hukum Arrhenius:
reaktor di r =R1 aku s

diberikan sebagai berikut:

χ= nd0 0 α β

dt V
k exp (E -/ RT) M R ( - χ ) (Z - χ ) (22)

n +1 • n n • 1 • n •
T saya = 2Fo Bi• TTRR + i -1 + -• DuaR - 1 •T saya • (24)
Resolusi Sistem Kimia • • 2Fo • •

Nilai-nilai agar konstituen untuk reaktan Suhu batas dinding reaktor di

σ = 1,5 dan β = 0,6 ketika rasio konsentrasi antara hidrogen r R= e+ diberikan sebagai berikut:
1
peroksida dan natrium tiosulfat dipertahankan lebih besar dari
1,96 selama reaksi (Cohen et al., 1962). Di bawah kondisi
operasi yang sama dengan Cohen et al. (Cohen et al., n +1 • n n • 1 • n •
T saya = 2Fo Bi• TTff + i -1 + •- - Bi f1 T 2Fo
• saya• (25)
• • • •
1962) dan dengan asumsi bahwa koefisien tingkat diatur oleh
hukum Arrhenius, Aime (Aime, 1991) memperkirakan
dimana R Dua = dia/
R w λ dan Duaf = dia/
f
λ wmewakili
parameter kinetik (koefisien frekuensi
nomor Biot dihitung dengan menggunakan masing-masing,
k Hai
= (7,25 ± 0,5) × 10 11 L / mol.s dan energi aktivasi
perlawanan konvektif dari sisi massa reaksi (
E = 79.002 ± 1254 J / mol), serta entalpi reaksi termodinamika ( H
1 / jam
R wRA) dan bahwa dari sisi cairan pendingin (
Δ=-
2
563 ± 10 kJ / mol). Persamaan dinding (16-21) digunakan untuk 1 / jam
f wf A). fo = ΔwΔ t / r adalah jumlah Fourier.
meningkatkan model. Dalam prakteknya, model sistem hanya Konvergensi dari sistem persamaan (14, 15, 22,
menyediakan perkiraan perilaku nyata. Karena pengamat 23, 24 dan 25) tergantung pada stabilitas dan konsistensi dari
dibangun dari model ini, negara disediakan dan output sensitif sub-sistem persamaan (23, 24 dan
terhadap kesalahan yang berasal dari perbedaan antara sistem 25). Karena itu, Δ rdan Δ tdiambil dalam seperti
dan model. Hal ini sangat cara bahwa stabilitas dan konvergensi kondisi dihormati.

Brasil Jurnal Teknik Kimia

 Desain dari Pengukur Multi-Model Observer Berbasis untuk kesalahan Deteksi dan Isolasi Strategi (FDI) 785

R1 + e

R1

r=0 r = R1 r = R1 + e

Tengah 1 Tengah 2 Tengah 3

massa reaksi Dinding pendinginan

Gambar 4: Skema resolusi numerik

FDI Hasil
Dalam rangka untuk menggambarkan ketepatan pendekatan FDI
yang diusulkan, itu diterapkan untuk mendeteksi dan mencari
kesalahan karena perubahan mendadak, yang terjadi pada 500 s, dari
pendinginan aliran selama fase pemanasan awal dari massa reaksi.
Kondisi normal dipilih tersebut sesuai dengan aliran
qv =n 0.40.10- 3
m 3. s- 1 dan kondisi sebagai non-normal mereka yang sesuai
dengan aliran Qv = 1.10.10- 3 m 3. s- 1.
kesalahan
Secara teoritis, aliran terakhir ini, yang menyediakan dinamika
pengukuran y,s tidak diketahui oleh
operator. Tujuan dari metode FDI adalah untuk mengidentifikasi itu
dengan membandingkan dinamika dengan yang diberikan secara
real-time oleh perpustakaan matematika model yang berbeda. Untuk
tujuan ini, dinamika yang berbeda sesuai dengan arus yang berbeda dari
pendingin yang dibangun. Perubahan aliran ini tidak mengubah struktur
persamaan model, hanya koefisien perpindahan parsial
diubah. arus yang dipilih dari pendinginan adalah sebagai berikut
(Tabel 1).
Hasil simulasi yang berbeda diberikan sebagai berikut (Gambar.
5).
Evolusi probabilitas dikondisikan oleh
340
qv 4
evolusi inovasi (Gbr. 6). Yang terakhir diproses oleh EKF untuk
mendeteksi kondisi kesalahan yang sebenarnya, menolak
setiap alarm palsu yang disebabkan oleh kebisingan atau sinyal
palsu. Konvergensi inovasi tergantung pada R rasio / Q.
Bahkan, pengetahuan dari dua varians ini merupakan sarana
untuk menyesuaikan EKF. Ini merupakan indikasi derajat
penyaring dari ketergantungan pada pengukuran; jika R kecil
dan Q besar, maka informasi yang datang dari pengukuran
adalah lebih besar dalam estimasi, dan jika R besar dan Q
kecil, filter memberikan preferensi untuk model daripada
pengukuran (Chetouani, 2006a).
Dengan menganalisis hasil probabilitas (Gbr. 7), teramati bahwa
fase isolasi kesalahan dimulai pada 820 s,
yaitu, 320 s setelah dimulainya fase deteksi kesalahan, untuk
menghindari perhitungan numerik dan alarm palsu. Selain itu,
diketahui bahwa dinamika kesalahan
h adalah y s
= f (Qv ) dekat yang sesuai dengan
kesalahan
f
mengalir ys = f (Qv) 1 karena probabilitas p (Qv),1
yang paling penting. Probabilitas model-model lain berkurang
jauh menurut variasi masing-masing dibandingkan dengan
output
) , Gambar.
y s = f (Qv kesalahan Seperti ditunjukkan
7. pada
qv n

qv 3

ys
330 qv 2

290
Suhu (K)

qv 1

320

310

300

0 2000 4000 6000 8000 10000 12000 14000

Waktu)

Gambar 5: Suhu yang dihasilkan oleh dinamika yang berbeda

Brasil Jurnal Teknik Kimia Vol. . 25, No. 04, pp 777-788, Oktober-Desember 2008
786 Y. Chetouani

Tabel 1: Terpilih arus pendinginan

aliran volumic (m 3. s- 1 ) 1.33.10- 3 0.80.10- 3 0.60.10- 3 0.20.10- 3

Dinamika qv 1 qv 2
qv 3
qv 4

0,20

Mulai dari fase isolasi kesalahan (820 s)

0.10
Mulai dari fase deteksi kesalahan (500 s)

0.00

500 3000 5500 8000 10500

qv 1
- 0.10 Waktu)
inovasi

qv 2

- 0,20

qv 3
- 0,30

- 0.40 qv n

qv 4
- 0,50

Gambar 6: Evolusi dari inovasi yang dihasilkan oleh EK Filter

0,8
Kemungkinan; Peluang; probabilitas

0,6

Mulai dari fase isolasi kesalahan (820 s)

Mulai dari fase deteksi kesalahan (500 s)

0,4
p (Qv 2)
p (Qv 1)

0,2
p (Qv n)
p (Qv 3)

p (Qv 4)
0.0

500 3000 5500 8000 10500 Waktu

(s)

Gambar 7: Evolusi dari probabilitas yang berbeda

KESIMPULAN estimator Kalman dan metode inovasi standar. Metode yang

diusulkan memungkinkan deteksi perubahan perilaku proses
Dalam makalah ini, deteksi kesalahan dan isolasi metode dibandingkan dengan yang normal. Metode ini juga
berbasis model untuk sistem nonlinear telah dipertimbangkan, memungkinkan identifikasi rezim baru menggambarkan sebagian
didasarkan pada gagasan menghasilkan residu. Metode yang seakurat mungkin evolusi sistem. Analisis probabilitas
diusulkan membutuhkan pengetahuan fisik dari proses di bawah menunjukkan bahwa metode FDI diadopsi dalam penelitian ini
pengawasan. Pertama model yang akurat dari dinamika proses memungkinkan pengurangan yang signifikan dalam waktu
telah dibangun sesuai dengan semua informasi yang tersedia komputasi. Bahkan, metode ini meminta matematika
untuk sistem dipelajari. Diperpanjang Kalman Filter digunakan perpustakaan kesalahan 320 detik setelah terjadinya kesalahan.
untuk estimasi negara dan generasi residual. Kesalahan terdeteksi Metode ini dapat diterapkan untuk banyak
oleh ambang statistik dan diisolasi dengan menggunakan
kombinasi dua metode keputusan. Evaluasi ini dilakukan dengan industri proses (panas penukar,
cara bank kolom distilasi ...) jika pemodelan proses ini dilakukan.
Pendekatan FDI diadopsi adalah model- sebuah

Brasil Jurnal Teknik Kimia

 Desain dari Pengukur Multi-Model Observer Berbasis untuk kesalahan Deteksi dan Isolasi Strategi (FDI) 787

pendekatan berbasis. Namun, dalam aplikasi praktis, terutama ketika χ Sejauh reaksi Normalized (-)
mempertimbangkan tanaman besar dan sistem yang kompleks, ΔH entalpi reaksi kJ.mol- 1
aplikasi langsung dari teknik FDI tersebut mungkin sulit. Dengan Δ variasi (-)
demikian, model ini sering sangat nonlinear dan sangat kompleks, dan
mereka dapat memanfaatkan struktur hybrid untuk menggambarkan
secara akurat perilaku sistem real-sasaran. Sebuah prosedur yang REFERENSI
layak dan mudah untuk aplikasi praktis dari teknik ini adalah
benar-benar diperlukan dalam aplikasi yang kompleks. Aime, N., Aide à la conduite sûre des réacteurs
chimiques discontinus en marche normale ou incidentelle
vis-à-vis du bahaya d'emballement thermique,
Ph.D. Skripsi, Université de
Technologie de Compiègne (1991). Alessandri, A., diagnosis
PENGAKUAN Patahan untuk sistem nonlinear
menggunakan bank penduga saraf, Komputer di Industri,
Aku mengakui komentar kritis pengulas anonim untuk 52, 271-289 (2003). Bhagwat, A., Srinivasan, R.,
komentar mereka sangat baik, yang sangat meningkatkan Krishnaswamy, PR
naskah. Saya ingin berterima kasih kepada staf edisi untuk Multi-linear deteksi kesalahan model berbasis selama proses
membantu dengan bahasa Inggris dari naskah ini. transisi, Kimia Ilmu Teknik, 58, 1649-1670
(2003). estimasi Biagiola, S., Solsona, J., Negara dalam
batch
proses menggunakan Sebuahnonlinear pengamat,
TATA NAMA Matematika dan Pemodelan Komputer, 44, 1009-1024
(2006).
SEBUAH daerah pertukaran m2 Brännbacka, J., Saxén, H., Model Novel untuk
k Hai koefisien frekuensi m 3. mol 1. s- 1 estimasi tingkat cairan di perapian blast furnace, Teknik
E aktivasi energi J.mol- 1 Kimia Sains, 59, 3423- 3432 (2004).
cp panas spesifik J.kg- 1. K- 1
e ketebalan dinding m Chen, J., Patton, RJ, Robust kesalahan model berbasis
F makan aliran mol.s- 1 diagnosa untuk dinamis sistem, Kluwer
H koefisien perpindahan panas Wm- 2. K- 1 Penerbit akademik (1999). Chetouani, Y., deteksi kesalahan
Kc konduktansi WK- 1 dalam reaktor kimia
N jumlah mol mol dengan menggunakan inovasi standar, Proses Perlindungan
M Masa molar kg.kmol- 1 Lingkungan, 84, 27-32 (2006a) Keselamatan dan.
m Massa kg
Chetouani, Y., Aplikasi umum
m• laju alir kg.s- 1
uji rasio kemungkinan untuk mendeteksi perubahan kimia yang
R Ideal gas konstan J.mol- 1. K- 1 reaktor, Proses Keamanan dan
R1 radius reaktor m Perlindungan Lingkungan, 84, 371-377 (2006b). Chetouani, Y.,
R Laju reaksi mol.m- 3. s- 1 deteksi kesalahan dengan menggunakan
T Suhu K sinyal inovasi: aplikasi untuk reaksi eksotermis, Teknik
T Waktu s
Kimia dan Pengolahan,
V Volume m3 43, 1579-1585 (2004).
Cohen, WC, Spencer, R., Penentuan
tanda tangan
kinetika kimia dengan kalorimetri, Chem. Eng. Prog., 58,
40-44 (1962). Edelmayer, A., Bokor, J., Szabo, Z., Szigeti, F.,
f Cairan jaket R
reaktor W Memasukkanrekonstruksi dengan cara sistem inversi:
dinding
pendekatan geometri untuk deteksi kesalahan dan isolasi
A ambient dalam sistem nonlinear, Int J Appl Math Comput Sci, 14,
Fe inlet fluida
189-199 (2004). Fantuzzi, C., Simani, S., Beghelli, S.,
Rovatti, R.,
Yunani Surat Identifikasi model piecewise affine di lingkungan yang
bising, Int J Control, 75, 18, 1472-1485 (2002).
ρ Massa jenis kg.m- 3

Brasil Jurnal Teknik Kimia Vol. . 25, No. 04, pp 777-788, Oktober-Desember 2008
788
Feil, B., Abonyi, J., Nemeth, S., Arva, P.,
proses pemantauan transisi oleh Kalman
penyaringan dan time-series segmentasi, Komputer &
Teknik Kimia, 29, 1423-1431 (2005). Forsythe, GE, Malcolm,
M., Moler, C., Komputer
metode untuk Matematika Komputasi, Prentice-Hall,
New Jersey (1977).
Frank, PM, diagnosis kesalahan di sistem dinamis
menggunakan analitis dan berbasis pengetahuan
redundansi. Sebuah survei dan beberapa hasil baru, Automatica,
3, 459-474 (1990).
García, FP, Schmid, F., Conde, J., A keandalan
berpusat pendekatan untuk terpencil kondisi
pemantauan. Sebuah studi kasus poin kereta api, Keandalan
Teknik & Sistem Keselamatan, 80, 33- 40 (2003).
Henry, D., Zolghadri, A., Desain kesalahan diagnosis
filter: Sebuah pendekatan multi-tujuan, Journal of Franklin
Institute, 342, 421-446 (2005). Himmelblau, DM, deteksi
kesalahan dan diagnosis di
kimia dan petrokimia proses, Elsevier, New York (1978).
Hovland, GE, Von Hoff, TP, Gallestey, EA,
Antoine, M., Farruggio, D., Paice, ADB, metode estimasi
nonlinier untuk pelacakan parameter dalam pembangkit
listrik, Control Engineering Practice, 13, 1341-1355 (2005).
Isermann, R., berbasis Model kesalahan-deteksi dan
diagnosis - status dan aplikasi, Ulasan Tahunan di kontrol,
29, 71-85 (2005). Isermann, R., Balle, P., Tren dalam
penerapan
deteksi kesalahan model berbasis dan diagnosis proses
teknis, kontrol Eng Pract, 5, 709- 719 (1997).
Izadi, I., Zhao, T., Chen, T., Skema optimal untuk
tingkat yang cepat deteksi kesalahan berdasarkan data multirate
sampel, Journal of Process Control, 15, 307-319 (2005).
Jang, DS., Choi, HL., Model Active untuk pelacakan
benda bergerak, Pengenalan Pola, 33, 1135- 1146 (2000).
Raja, R., Gilles, R., metode penyaring Beberapa untuk
deteksi negara berbahaya di pabrik industri, AIChE, 11,
1697-1706 (1990). Korbicz, J., Koscielny, JM, Kowalczuk, Z.,
Cholewa, W., Patahan diagnosis: model, kecerdasan
buatan, aplikasi (. 1st ed), Springer- Verlag (2004).
estimasi Li, J., Xu, NS, Su, WW, Online diaduk-tank budaya
mikroalga fotobioreaktor berdasarkan pengukuran oksigen
terlarut,
Brasil Jurnal Teknik Kimia
Y. Chetouani
Biokimia Teknik Journal, 14, 51-65 (2003). Liberatore, S.,
Speyer, JL, Hsu, AC, Aplikasi
dari deteksi kesalahan penyaring untuk pemantauan kesehatan
struktural, Automatica, 42, 1199-1209 (2006) .. Mehra, RK, Peschon,
J., Pendekatan pendahuluan
untuk kesalahan deteksi dan diagnosis dalam sistem dinamis,
Automatica, 5, 637-640 (1971). Nyberg, M., Stutte, T., diagnosis
berdasarkan Model
jalur udara dari mesin diesel otomotif, Control Engineering
Practice, 12, 513-525 (2004). Patton, RJ, Frank, PM, Clark,
RN, Isu
kesalahan diagnosis untuk sistem dinamis, Springer- Verlag,
London (2000).
Pedregal, DJ, Carnero, MC, Negara model ruang
untuk pemantauan kondisi: studi kasus, Keandalan Teknik &
Sistem Keselamatan, 91, 171-180 (2006).
Pedregal, DJ, García, FP, Schmid, F., RCM2
pemeliharaan prediktif sistem kereta api berdasarkan model
komponen tidak teramati, Keandalan Teknik & Sistem
Keselamatan, 83, 103-110 (2004). Shi, P., Liu, H., kerangka
elemen hingga Stochastic
untuk estimasi simultan fungsi kinematik jantung dan
parameter material, Analisis Gambar Medis, 7, 445-464
(2003). Simani,
S. Fantuzzi, C., identifikasi sistem dinamis dan
diagnosis kesalahan berbasis model turbin prototipe gas
industri, Mekatronika,
16, 341-363 (2006).
Tylee, JL, On-line deteksi kegagalan dalam nuklir
pembangkit listrik Peralatan, IEEE Trans
Kontrol otomatis, 3, 406-415 (1983). Villermaux, J., jin de la
reaksi chimique-
konsepsi et fonctionnement des réacteurs, Lavoisier, Paris
(1993).
Yang, SK, Sebuah eksperimen estimasi negara untuk
pemeliharaan prediktif menggunakan Kalman filter pada
motor DC, Keandalan Teknik & Sistem Keselamatan, 75,
103-111 (2002). Yang, SK, Liu, TS, estimasi Negara
pemeliharaan prediktif menggunakan Kalman filter, Keandalan
Teknik & Keselamatan Sistem, 66, 29- 39 (1999).
Zhan, Y. Makis, V., Sebuah model diagnostik yang kuat untuk
gearbox subjek untuk pemantauan getaran,
Jurnal Suara dan Getaran, 290, 928-955 (2006).
Zogg, D., Shafai, E., Geering, HP, diagnosis Patahan
untuk pompa panas dengan identifikasi parameter dan
clustering, Control Engineering Practice, 14, 1435-1444
(2006).