Predikción alapuló diagnosztika mesterséges intelligencia módszerek felhasználásával

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Predikción alapuló diagnosztika mesterséges intelligencia módszerek felhasználásával"

Átírás

1 Predikción alapuló diagnosztika mesterséges intelligencia módszerek felhasználásával DOKTORI (PhD) ÉRTEKEZÉS Készítette: Németh Erzsébet Témavezető: Dr. Hangos Katalin egyetemi tanár Pannon Egyetem Műszaki Informatikai Kar Informatikai Tudományok Doktori Iskola 2006

2 Predikción alapuló diagnosztika mesterséges intelligencia módszerek felhasználásával Értekezés doktori (PhD) fokozat elnyerése érdekében Írta: Németh Erzsébet Készült a Pannon Egyetem Informatikai Tudományok Doktori Iskolája keretében Témavezető: Dr. Hangos Katalin Elfogadásra javaslom (igen / nem) (aláírás) A jelölt a doktori szigorlaton...%-ot ért el Veszprém... a Szigorlati Bizottság elnöke Az értekezést bírálóként elfogadásra javaslom: Bíráló neve:... (igen / nem) (aláírás) Bíráló neve:... (igen / nem) (aláírás) A jelölt az értekezés nyilvános vitáján...%-ot ért el Veszprém,... a Bíráló Bizottság elnöke A doktori (PhD) oklevél minősítése Az EDT elnöke

3 Tartalmi kivonat A bonyolult és nagy méretű biztonságkritikus üzemek berendezéseinek meghibásodása elkerülhetetlen. Hibás működés esetén pedig elengedhetetlen, hogy minél gyorsabban és pontosabban lokalizálni lehessen az esetleges hibát, majd ezen információ birtokában meg lehessen akadályozni az abnormális események tovaterjedését és csökkenteni a termeléskiesést. Mint a legtöbb mérnöki területen, így a folyamatrendszerekben is fontos szerepet tölt be és az utóbbi időben egyre inkább előtérbe kerül a hiba detektálás és diagnosztika. Az operátorok megfelelően magas szintű szaktudása esetleges hiányának pótlására olyan intelligens rendszerek támogatása szükséges, amelyek biztosítják a rendszer vagy üzem biztonságos működését. Ezért a disszertáció célja a nagyméretű és bonyolult vegyi üzemekben (folyamatrendszerekben) alkalmazható intelligens diagnosztikai módszerek kutatása, fejlesztése és vizsgálata. A disszertációban a szerző bemutat egy színezett Petri háló alapú diagnosztikai keretrendszert, amely egységes, homogén reprezentációját adja a predikción alapuló diagnosztikai rendszer valamennyi szükséges tudáselemének. A szerző ismertet egy predikción alapuló diagnosztikai szakértői rendszert is, amely a diagnosztizálandó rendszerről rendelkezésre álló szakértői tudást oly módon tudja tárolni, hogy azokon következtetéseket lehessen végrehajtani, képes rendszer hibákat vagy meghibásodásokat azonosítani és a többléptékű modell megfelelő részére fókuszálni. A disszertációban a szerző végül bemutatja a predikción alapuló diagnosztika multi-ágens rendszerrel történő megvalósítását. A diagnosztikai rendszerben lévő feladatokat egymással kommunikáló ágensek formájában valósítja meg. Az egységes tudás ábrázolását és az ágensek közötti kommunikáció elősegítését ontológiák felhasználásával szervezi. A szerző ezen kívül ismertet egy, a predikción alapuló diagnosztika elvégzéséhez szükségessé vált többléptékű folyamatmodelleket egyszerűsítő eljárást, amely diagnosztikai célra alkalmas és a mérnöki gyakorlatban szokásos egyszerűsítő lépéseket használ fel.

4 Abstract Prediction based diagnosis using artificial intelligence methods The goal of this dissertation is to research, develop and investigate intelligent diagnostic methods applied in huge and complex chemical plants (process systems). A coloured Petri net based diagnostic system is shown, which gives a unified, homogeneous representation of necessary elements of the prediction based diagnostic system. Additionally, a prediction based diagnostic expert system is described, in which the available expert knowledge of the diagnosed system for making inferences is stored. This way identifying system faults or failures, and focusing on the corresponding part of the multi-scale model is possible. Afterwards, a multi-agent realization of the prediction based diagnostic system is discussed. The tasks in the diagnostic system are solved by agents communicating with each other. The unified knowledge representation and the agents communication are promoted by using ontologies. For the prediction based diagnosis a simplification method of the multi-scale process system models is proposed, which matches the diagnostic goals and uses simplification methods applied in engineering practice.

5 Auszug Prediktionsbasierte Diagnostik mit Verwendung von künstlichen Intelligenzverfahren Diese Dissertation befaßt sich mit Forschung, Entwicklung und Analysis von bei großmaßstäblichen, komplexen Chemiefabriken (Prozessysteme) anwendbaren intelligenten Diagnostikverfahren. Die Verfasserin der Dissertation stellt ein auf farbige Petrische-Netzen basierende Diagnoserahmensystem dar, das eine einheitliche und homogene Repräsentation aller nötigen Kenntniselementen der prediktionsbasierte Diagnostiksystem aufweist. Ferner führt die Verfasserin eine prediktionsbasierte Diagnostikexpertensystem vor, das die vom zu diagnostisierenden System zur Verfügung stehende Expertenkenntiniss derart speichern kann, daß man daraus Folgerungen durchführen kann, weiterhin es kann die unterschiedlichen Fehler identifizieren und auf das entsprechende Teil des mehrstufigen Modells fokussieren. Letztens wird eine mit einem Multiagentsystem realisierte prediktionsbasierte Diagnostik dargestellt. Die im Diagnostiksystem realisierte Aufgaben sind dabei in der Form von mit einander kommunizierenden Agenten verwirklicht. Die Darstellung der einheitlichen Kenntnis und die Unterstützung der Kommunikation zwischen den Agenten werden durch Verwendung von Ontologie organisiert. Weiterhin ein zur prediktionsbasierende Diagnostik benötigte Vereinfachungsprozess von mehrstufigen Prozessmodellen wird auch dargestellt, der zur Diagnostikszwecken dient und in der Ingenieurpraxis übliche Vereinfachungsschritte verwendet.

6 Köszönetnyilvánítás Mindenekelőtt köszönetemet fejezem ki és őszinte hálával tartozom témavezetőmnek, Dr. Hangos Katalinnak, aki tanulmányaim és kutatásaim során rengeteget segítséget nyútott, ellátott hasznos tanácsokkal és türelmesen irányította munkámat. Külön köszönettel tartozom Piglerné Dr. Lakner Rozáliának (Pannon Egyetem, Számítástudomány Alkalmazása Tanszék), több cikkem társszerzőjének, hogy tapasztalatával segítette munkám előrehaladását. Szeretném megköszönni Prof. Ian T. Cameron-nak (The University of Queensland, Australia) kutatásaimhoz nyújtott támogatását és a lehetőséget, hogy meghívására 3 hónapot Brisbane-ben, az Egyetemen tölthettem, így biztosítva a kutatásomhoz szükséges konzultációs lehetőségeket. Hálával tartozom Gordon D. Ingram-nak és Bogdan Balliu-nak, hogy Ausztráliába érkezésen után segítették beilleszkedésemet és barátként mellettem állva könnyebbé tették a távollétet szeretteimtől. Köszönöm a Magyar Tudományos Akadémia Számítástechnikai és Automatizálási Kutató Intézet Rendszer- és Irányításelméleti Kutató Laboratórium vezetőjének, Dr. Bokor Józsefnek, hogy biztosította a kutatási lehetőséget, valamint kutatótársaimnak, Dr. Bartha Tamásnak, Fazekas Csabának, Károlyi Imrének, Kovács Ákosnak, Dr. Kulcsár Balázsnak, Magyar Attilának, Péni Tamásnak, Pongrácz Barnának, Dr. Szederkényi Gábornak, Varga Istvánnak, Weinhandl Zsuzsannának az együttműködést. Továbbá köszönöm a Laboratórium minden munkatársának a munkámhoz nyújtott segítséget. Köszönöm a Pannon Egyetem Számítástudomány Alkalmazása Tanszék munkatársainak az együttműködést. Köszönettel tartozom a Knorr-Bremse Fékrendszerek Kft-től Dr. Ailer Piroskának, Bordács Zoltánnak és Dr. Németh Hubának a közös munkáink során nyújtott szakmai támogatásért. Végül, de nem utolsó sorban, szeretném megköszönni szüleimnek, családomnak, páromnak és családjának, hogy bíztattak és minden támogatást megadtak célom eléréséhez.

7 Tartalomjegyzék 1. Bevezetés Célkitűzés Az értekezés szerkezete Jelölések A felhasznált eszközök és módszerek A predikción alapuló diagnosztika alapjai A hibadetektálási és -diagnosztikai technikák áttekintése A predikción alapuló diagnosztika rendszerelméleti megközelítésben A predikción alapuló diagnosztika tudásalapú megközelítésben Veszélyelemzés, veszélyazonosítás Működőképesség- és veszélyelemzés (HAZOP) Meghibásodásmód és -hatás elemzése (FMEA) Többléptékű modellezés Időskála, méretskála és skálatérkép A többléptékű modellezés lépései Többléptékű modellek diagnosztikai célvezérelt modellezése és szimulációja Folyamatmodellezés Diagnosztika, mint többléptékű modellezési cél Többléptékű folyamatmodellek modellezési hierarchiája Szimptóma hierarchia Egy célvezérelt felülről lefelé haladó modellezési megközelítés Egy konkrét folyamatrendszer: granulátor kör Granulátor kör A granulátor dob berendezés szintű modellje Egy granulátor kör skálatérképe Granulátor dob: szintek, változók és mechanizmusok A granulátor dob modellhez kapcsolódó változók és szimptómák A granulátor kör HAZOP táblája Predikción alapuló diagnosztika Petri hálókkal Petri hálók Alacsony szintű Petri hálók Kiterjesztett Petri hálók i

8 3.2. Petri hálók diagnosztikai alkalmazásai Egy színezett Petri háló alapú diagnosztikai keretrendszer A diagnosztikai keretrendszer elemei A keretrendszer szerkezete A keretrendszer működése Predikció Esettanulmány: színezett hierarchikus Petri háló alapú granulátor diagnosztikai rendszer A granulátor diagnosztikai rendszer elemei Ismeretek reprezentálása Diagnosztikai eredmények A színezett Petri háló alapú diagnosztikai rendszer lehetséges alkalmazási módjai Összefoglalás Predikción alapuló diagnosztika szakértői rendszerrel Szakértői rendszerek Ismeretalapú technológia Az ismeretalapú rendszerek struktúrája Következtetési technikák Valós idejű szakértői rendszerek Diagnosztikai szakértői rendszerek az irodalomban A diagnosztikára felhasználható szoftver eszközök A predikción alapuló diagnosztikai szakértői rendszer A keretrendszer szerkezete A többléptékű predikciós diagnosztikai szakértői rendszer fő elemei Predikciós diagnosztikai szakértői rendszer működése A keretrendszer szoftver moduljai együttműködésének szervezése Predikció Esettanulmány: szakértői rendszer alapú granulátor diagnosztikai rendszer HAZOP tábla reprezentálása Diagnosztikai eredmények Összefoglalás Predikción alapuló diagnosztika multi-ágens rendszerrel Multi-ágens rendszerek Ágensek Multi-ágens rendszerek Ontológia Ontológiák és ágensek kapcsolata Multi-ágens rendszerek diagnosztikai alkalmazása Predikción alapuló diagnosztika multi-ágens rendszerrel: a keretrendszer struktúrája A diagnosztikai rendszer tudásreprezentációja ii

9 A multi-ágens diagnosztikai rendszer fő elemei Predikció A felhasznált multi-ágens szoftverek Esettanulmány: ágens alapú granulátor diagnosztikai rendszer A granulátor diagnosztikai rendszer tudáselemei Szimulációs eredmények Összefoglalás Többléptékű modellek egyszerűsítése diagnosztikai célból Modell egyszerűsítés Folyamatmodellek és modellezési céljaik Funkcionálisan ekvivalens folyamatmodellek Modell egyszerűsítés problémája Elemi modell egyszerűsítő lépések Az elemi modell egyszerűsítő lépések tulajdonságai Modell egyszerűsítés diagnosztikai céllal A modell egyszerűsítési eljárás Összehasonlítás más modellegyszerűsítési és modellredukciós módszerekkel Esettanulmány Granulátor dob: a modell skálatérképe Hiba szcenáriók és időskála szétválás Összefoglalás Összefoglalás A predikción alapuló diagnosztikai rendszer különböző megvalósításainak összehasonlítása Új tudományos eredmények További kutatási lehetőségek, irányok Publikációk A. Ellenáramú hőcserélő: különböző részletezettségi szintű modellek I A.1. A hőcserélő egy cellás modellje I A.2. A hőcserélő kaszkád modellje II iii

10 Ábrák jegyzéke 1. Léptékek a folyamatmérnökségben [41] Egy egyszerűsített folyamatos granulátor kör Egy granulátor kör skálatérképe [57] Egy granulátor kör szintjei és a szintek közötti információcsere [57] A szimptómák hierarchiája Egyszerű Petri háló Petri háló jelölőkkel Petri háló t 1 átmenet tüzelése előtt és után Petri háló elemeinek dekompozíciója Rétegek és kapcsolataik a hierarchikus CPN modellben A granulátor dob CPN részhálója A szimptóma azonosítás réteg egy CPN részhálója A gyökér okok meghatározása réteg egy CPN részhálója Szimptómák és gyökér okok kapcsolata Ismeretalapú rendszerek felépítése A szakértői rendszer alapú diagnosztikai rendszer struktúrája A tudásbázis struktúrája Diagnosztikai eredmény - granulátor dob működésében bekövetkezett hiba Diagnosztikai eredmény - törő egység meghibásodása A multi-ágens diagnosztikai rendszer struktúrája A diagnosztikai ontológia egy része Az ágens részrendszer struktúrája és a részrendszeren belüli kommunikáció HAZOP és FMEA táblákon végzett következtetés A diagnosztikai következtetés lépései a granulátor kör folyamatábráján A HAZOPFaultIsolatorAgent ágens következtetéseinek egy része A CompletenessCoordinatorAgent ágens üzeneteinek egy része Funkcionálisan azonos modellek és egyszerűsítéseik [70] Megnövekedett kötőanyag betáplálási áram szimulációs eredményei A granulátor kör modell struktúra térképe (finomított skálatérkép) Szimulációs eredmény a granulátor dobba betáplált részecskék méret eloszlásának megváltozásakor Egy ellenáramú hőcserélő cella modellje I 32. A hőcserélő kaszkád modellje III 33. Egy hőcserélő cella modellje III iv

11 Táblázatok jegyzéke 1. Egy HAZOP eredménytábla szerkezete Egy FMEA eredménytábla szerkezete A granulátor dob modelljében szereplő változók listája A granulátor dobhoz kapcsolódó változók és szimptómák listája HAZOP tábla részlete az átlagos részecskeméret (d 50 ) csökkenés esetén HAZOP tábla részlet a granulátor dobból kilépő részecskeáramra Kötőanyag áramára vonakozó HAZOP tábla v

12 1. fejezet Bevezetés Amit a cél elérésével kapunk közel sem olyan fontos, mint amivé válunk, amíg azt elérjük. /Zig Ziglar/ A bonyolult és nagy méretű biztonságkritikus üzemek berendezéseinek meghibásodása elkerülhetetlen. A bekövetkező hiba, meghibásodás megváltoztatja a rendszer tulajdonságait, ezáltal a működését. Hibás működés esetén elengedhetetlen, hogy minél gyorsabban és pontosabban lokalizálni lehessen az esetleges hibát, majd ezen információ birtokában kell eldönteni, hogy ez milyen káros hatással lehet a jövőre nézve. Ha elegendő információ áll rendelkezésre, akkor az időben felismert hibát még korrigálni lehet. Mint a legtöbb mérnöki területen, így a folyamatrendszerekben is fontos szerepet tölt be és az utóbbi időben egyre inkább előtérbe kerül a hiba detektálás és diagnosztika (Fault Detection and Diagnosis, FDD). Az abnormális (rendkívüli) események kezelésének (Abnormal Event Management, AEM) [117] manapság szintén nagy figyelmet szentelnek. A rendkívüli események kezelése, amelynek a hibadetektálás és -diagnosztika egyik fő eleme, egy rendszerben előforduló hibák abnormális feltételeinek időben történő detektálásával, diagnosztikájával és korrigálásával foglalkozik. Mialatt az üzem/gyár egy irányítható normális üzemi tartományban üzemel, a hibák korai felismerése és diagnosztikája segít az abnormális események tovaterjedésének megakadályozásában és csökkenti a termelékenység kiesést. A folyamat hiba diagnosztikának (process fault diagnosis) [59] hatalmas irodalma van az analitikus módszerektől a mesterséges intelligencián át a statisztikai megközelítésekig. Az ipari statisztikák azt mutatják, hogy a nagyobb katasztrófák a vegyi üzemek hibáiból következnek be. A kisebb hibák nagyon gyakoriak (szinte nap mint nap bekövetkeznek), s ezek foglalkozási sérüléseket, megbetegedéseket és összességében több milliárd dolláros többletköltségeket okozhatnak [73]. Ezért nagyon fontos a hibákat, meghibásodásokat még korai szakaszukban felismerni, hogy az esetleges káros, súlyos következményeket el lehessen kerülni. A dolgozatom ezen a nagyfontosságú és dinamikusan fejlődő területen, a komplex folyamatrendszerek diagnosztikájának területén mutat be új eredményeket. A technológia fejlődésével egyre bonyolultabb üzemeket terveznek, építenek és működtetnek. Ezen összetett rendszerek leírására az utóbbi években egyre népszerűbb, többléptékű (multiscale) [24] modellezés tűnik a legalkalmasabbnak, annak 1

13 ellenére, hogy ez a legújabb módszer jelenleg még intenzív kutatás tárgya. A többléptékű modellezés felhasználásával lehetőség nyílik szinte minden mérnöki területen (integrált tervezés, szabályozótervezés stb.) többléptékű módszerek kidolgozására. A gyárak, üzemek operátorai sok esetben nem rendelkeznek megfelelő magas szintű szaktudással az általuk felügyelt, működtetett rendszerre vonatkozóan. A folyamat megfelelő működése során azonban kulcsfontosságú lehet egy abnormális esemény vagy veszély esetén a megfelelő időben meghozott megfelelő döntés illetve beavatkozás annak érdekében, hogy a rendszer visszakerüljön egy normális, biztonságos működési módba. Ehhez azonban magas szintű, rendszerezett elméleti és gyakorlati tudásra van szükség. Ezek a heurisztikus működtetési információk beszerezhetők a veszély azonosítása és elemzése, valamint a károk felmérése és csökkentése során, felhaszálva az ún. folyamat működésképességi elemzés (Process Hazard Analysis, PHA) [25] módszerét. A PHA tanulmányokban számos módszert használnak, mint pl. a hibafa elemzést (Fault Tree Analysis, FTA), a működőképesség- és veszélyelemzést (Hazard and Operability Analysis, HAZOP) vagy a meghibásodásmód és -hatás elemzést (Fault Mode Effect Analysis, FMEA). Az operátori szaktudás esetleges hiányának pótlására olyan intelligens rendszerek támogatása szükséges, amelyek biztosítják a rendszer vagy üzem biztonságos működését. Ezen intelligens rendszerek a szakértőktől származó heterogén tudást (pl. HAZOP, FMEA analízis eredményei) egy egységes keretrendszerben felhasználva működnek. Mivel minden üzem más és más, ezért nehéz egy egységes, tématerülettől független intelligens diagnosztikai rendszer megvalósítása Célkitűzés Dolgozatom célja olyan predikción alapuló diagnosztikai algoritmusok és módszerek kidolgozása volt, amelyek komplex, több berendezést magában foglaló folyamatrendszerek meghibásodásakor képesek lokalizálni a hibát, majd a szakértők által meghatározott HAZOP és/vagy FMEA analízis eredményeinek segítségével meghatározzák a hiba lehetséges helyét és annak következményeit a berendezés és/vagy rendszer működésére nézve, valamint tanácsot adnak a lehetséges beavatkozásokra, veszteség megelőzésre. Az algoritmusok kidolgozását és megvalósítási lehetőségeinek analízisét a mesterséges intelligencia területén szokásosan alkalmazott módszerek felhasználásával valósítottam meg, és az elkészített prototípus diagnosztikai rendszerek felhasználásával esettanulmányok segítségével mutattam be a kifejlesztett módszereket és eszközöket, és vizsgáltam meg tulajdonságaikat. Munkám fő célkitűzése az volt, hogy megvizsgáljam különböző elterjedt mesterséges intelligencia módszerek alkalmazhatóságát komplex folyamatrendszerek diagnosztikájára. Ehhez az alábbi részfeladatokat tűztem ki és oldottam meg: 1. Egy színezett Petri háló alapú diagnosztikai keretrendszer elkészítése, amely egységes, homogén reprezentációját adja a predikción alapuló diagnosztikai rendszer valamennyi szükséges tudáselemének (többléptékű modell, HAZOP tábla, szimptómák), 2

14 a felhasznált tudáselemeket alkalmas struktúrába szervezi, megvalósítható Design/CPN segítségével. 2. Egy olyan predikción alapuló diagnosztikai szakértői rendszer elkészítése, amely a diagnosztizálandó rendszerről rendelkezésre álló szakértői tudást (modell struktúra, HAZOP tábla) oly módon tudja tárolni, hogy azokon következtetéseket lehessen végrehajtani, on-line, valós időben képes rendszer hibákat vagy meghibásodásokat azonosítani, képes a többléptékű modell megfelelő részére fókuszálni, a szakértői tudást felhasználva az operátornak tanácso(ka)t tud adni a megelőző beavatkozásokra, megvalósítható valamilyen valós idejű működést támogató szakértői keretrendszerrel. 3. Egy olyan predikción alapuló diagnosztika multi-ágens rendszerrel való megvalósítása, amely a diagnosztikai rendszerben lévő feladatokat egymással kommunikáló ágensek formájában valósítja meg, az egységes tudás ábrázolását és az ágensek közötti kommunikáció elősegítését megfelelően felépített ontológiák felhasználásával valósítja meg, képes a HAZOP tábla mellett az FMEA táblákat is kezelni és következtetni mindkét ismerethalmazon, megvalósítható valamilyen multi-ágens fejlesztő keretrendszerben. 4. A fentiek eredményes elvégzéséhez szükségessé vált egy olyan többléptékű folyamatmodelleket egyszerűsítő eljárás elkészítése, amely diagnosztikai célra alkalmas és a mérnöki gyakorlatban szokásos egyszerűsítő lépéseket használ fel Az értekezés szerkezete A dolgozat 7 fejezetet tartalmaz az alábbiak szerint. A 2. fejezetben a diagnosztikai feladatokban felhasznált eszközöket és módszereket ismertetem. A fejezet utolsó része az értekezés esettanulmányaiban használt konkrét folyamatrendszer, egy granulátor üzem leírását és modelljét tartalmazza. A 3. fejezet a színezett hierarchikus Petri háló alapú predikción alapuló diagnosztikai rendszerrel foglalkozik. A fejezet első részében a Petri hálókkal kapcsolatos fogalmakat, a második részben pedig a Petri hálók diagnosztikai célra való 3

15 alkalmazhatóságának lehetőségeit tekintem át. A fejezet harmadik részében az általam kifejlesztett Petri háló alapú diagnosztikai keretrendszer elemeit, szerkezetét és működését ismertetem. Végezetül egy prototípus diagnosztikai rendszer színezett hierarchikus Petri hálóval megvalósított diagnosztikai feladatait mutatom be egy esettanulmány segítségével. A 4. fejezet a predikción alapuló diagnosztika szakértői rendszerrel történő megvalósítását tárgyalja, amely a szakértői rendszerekkel kapcsolatos fogalmak és módszerek áttekintésével kezdődik, majd ismerteti a diagnosztikai szakértői rendszerek jellemzőit. A fejezet harmadik részében a predikción alapuló diagnosztikai szakértői rendszer szerkezetét, fő elemeit és működését tárgyalom, végül az ismertetett szakértői rendszer alapú diagnosztikai rendszer egy alkalmazását mutatom be a granulátor körön. Az 5. fejezet a multi-ágens alapú predikciós diagnosztikai rendszert tárgyalja. A fejezet az ágensek és multi-ágens rendszerek alapfogalmainak ismertetésével indul, majd bemutatja az ágens-alapú diagnosztikai keretrendszer struktúráját, valamint a rendszer fő elemeit. Végül az ismertetett módszert és a prototípus multi-ágens rendszert egy műtrágyagyártó granulátor körön mutatom be. A 6. fejezet a korábbi fejezetekben bemutatott és alkalmazott predikción alapuló diagnosztikai rendszerben predikciós céllal felhasznált többléptékű folyamatmodellek egyszerűsítésével foglalkozik. A modell egyszerűsítés általános probléma kitűzésének ismertetése után a többléptékű modellek diagnosztikai célú modell egyszerűsítésének problémakitűzését mutatom be, majd ismertetem a többléptékű modellek modell egyszerűsítésének elvi lépéseit. Végül a fejezetben bemutatott elvi modell egyszerűsítő lépéseket egy műtrágyát előállító granulátor dob példáján illusztrálom. A 7. fejezetben a korábbiakban bemutatott predikción alapuló diagnosztikai rendszerek összehasonlítását végzem el. A fejezet második részében dolgozatom főbb eredményeit, a javasolt téziseket foglalom össze, valamint a fejezet harmadik részében a további kutatások lehetséges irányait határozom meg Jelölések Az alábbiakban a dolgozatban végig, általánosan alkalmazott jelöléseket, rövidítéseket foglalom össze. Rövidítések: FTA Fault-Tree Analysis (Hibafa-elemzés) HAZOP HAZard and OPerability analysis (működőképesség- és veszélyelemzés) FMEA Fault Mode Effect Analysis (Meghibásodásmód és -hatás elemzés) FMECA Failure Mode and Effects Criticality Analysis (Meghibásodásmód, -hatás és hibakritikusság elemzés) PHA Process Hazard Analysis (Folyamat működésképességi elemzés) MAP monoammónium foszfát, (NH 4 )H 2 PO 4 DAP diammónium foszfát, (NH 4 ) 2 HPO 4 CPN Coloured Petri Net (színezett Petri háló) 4

16 2. fejezet A felhasznált eszközök és módszerek Ebben a fejezetben összefoglalom a további fejezetekben szereplő és azok megértéséhez szükséges fogalmakat és alapismereteket A predikción alapuló diagnosztika alapjai A következőkben áttekintem a predikción alapuló diagnosztikához kapcsolódó alapvető fogalmakat és módszereket A hibadetektálási és -diagnosztikai technikák áttekintése Meghibásodások A működési egységekben, alrendszerekben (valamilyen szempontból káros) meghibásodások, hibák (failure, fault) keletkezhetnek. A hiba a berendezés valamely paraméterének vagy változójának nem megengedett eltérése a névleges értéktől. Hatása, fennállása lehet időszakos, ekkor zavarról beszélünk, vagy lehet állandó, ekkor változásnak nevezzük. Amennyiben az eltérés a funkcióvégrehajtást is nemkívánatos módon befolyásolja, meghibásodás (failure) következett be. A meghibásodást a fentiek szerint az alábbi módon definiálhatjuk: a rendszer működésében olyan esemény következett be, amely a rendszer tényleges funkcionalitásának részleges vagy teljes módosulását vonta maga után, amelynek káros hatásai lehetnek a rendszerre, az emberekre és/vagy a környezetre. A rendszerben keletkező meghibásodások eredhetnek emberi hibákból is (human error), amelyeket a rendszer tervezése, kivitelezése, kezelése és fenntartása során lehet elkövetni. Hibamodellezés Egy hiba definiálható úgy, mint egy változó legalább egy nem megengedett eltérése az elfogadható viselkedést leíró időfüggvénytől. A folyamatrendszerekre vonatkozóan a hibák két csoportját különböztetjük meg: az additív hibák és a multiplikatív hibák osztályát. Az additív hibák hatása egy x i változón hozzáadódik (z e = z 0 +x i ), pl. érzékelők eltolódása. A multiplikatív hibák megszorzódnak egy x j változóval (z e = z 0 x j ), pl. a paraméterváltozás. 5

17 Hibadiagnosztika Az irodalomban viszonylag kevés közlemény ad átfogó áttekintést a hibadiagnosztika területéről úgy, hogy együttesen veszi figyelembe az összes különböző típusú technikát. Egyes közlemények főleg a modell alapú megközelítésekre koncentrálnak [38, 59], mások reprezentatívan mutatják be a széles területen rendelkezésre álló hibadiagnosztikai technikákat [68]. Részletes és alapos összefoglaló található Venkatasubramanian et al. (2003) [117, 115, 116] háromrészes cikksorozatában a hibadetektálás és diagnosztika dolgozatomban tárgyaltakhoz hasonló módszereiről. Az általános diagnosztikai feladat az alábbi formában fogalmazható meg. Adott: egy rendszer (eszköz, fizikai rendszer, fiziológiai rendszer,...). a megfigyelések halmaza (mérések, tesztek, szimptómák, vizsgálatok,...), amely az abnormális (nem várt, rendellenes,...) viselkedésnek megfelel. Feladat: meghatározni, hogy a rendszer normális állapotú-e (hibadetektálás), s ha nem, mi a rendszer hibamódja, milyen hiba következett be (hibaizoláció). beavatkozást keresni azzal a céllal, hogy a rendszer normális viselkedése visszaálljon (helyreállítás, újra konfigurálás,...). A hibadetektáló és -diagnosztikai módszerek három fő csoportba sorolhatók [58]: a modell nélküli módszerek, a modell alapú módszerek, tudás alapú módszerek. A modell nélküli módszerek nem használják a rendszer modelljét. Például, ha a rendszer megközelíthetőleg egy állandósult állapot környezetében működik, akkor legtöbbször a határérték átlépés ellenőrzés jól működik. Ezen módszerek nagy előnye az egyszerűség és a gyorsaság és a megbízhatóság. A hátránya, hogy ha a rendszernek nincs vagy túl gyakran változik a működési tartománya. Mivel a rendszer bemenete gyakran változhat, ezért a változók határértékének figyelésének beállításai egy nehéz feladat. A modell alapú módszerek lényege a jel és folyamatanalízisen alapuló analitikus redundancia vizsgálata. A mérhető jelek analízise leggyakrabban korrelációs függvényeket, frekvenciatartománybeli vagy statisztikai döntéselméleti vizsgálati módszereket alkalmaznak. A folyamatok analíziséhez a modell alapú módszerek esetében a folyamatok és meghibásodások matematikai modelljeivel együtt legtöbbször paraméter- és állapotbecslőket és hibadetektáló szűrőket használnak [59]. Néhány fontos közlemény is ajánlható a modell alapú diagnosztikai módszerekről a teljesség igénye nélkül [20, 34, 105]. A tudás alapú módszerek a rendelkezésre álló heurisztikus ismereteken alapszanak. Ezekkel részletesebben később, a fejezetben foglalkozom. 6

18 A predikción alapuló diagnosztika rendszerelméleti megközelítésben A rendszerelméletben a dinamikus rendszerek leírására a bemenet-kimenet modellek mellett állapottér modelleket (state-space model) használnak [45]. Egy állapottér modell koncentrált paraméterű rendszerek esetén két egyenlethalmazból áll: 1. Állapot egyenletek leírják az állapotok időbeli változását a bemeneti és az állapotváltozók függvényében. 2. Kimeneti egyenletek algebrai egyenletek formájában leírják a kimeneti jelek kapcsolatát a bemeneti- és állapotváltozók között. Koncentrált paraméterű időinvariáns folytonos idejű lineáris rendszerek állapottér modellje a következő alakban írható fel: ẋ(t) = Ax(t) + Bu(t) (állapot egyenlet) (1) y(t) = Cx(t) + Du(t) (kimeneti egyenlet) (2) egy adott x(t 0 ) = x(0) kezdeti érték feltétellel, ahol x(t) R n az állapotváltozókból álló vektor, u(t) R r a bemeneti változókból álló vektor, y(t) R p a kimeneti változókból álló vektor és A R n n, B R n r, C R p n, D R p r rendszermátrixok. A nemlineáris véges dimenziós (vagy koncentrált paraméterű) rendszerek a nemlineáris rendszerek egy széles osztályát alkotják. A véges dimenziós nemlineáris rendszerek állapottér modellje [44] az alábbi általános alakban írható fel: ẋ(t) = f(x(t), u(t)) (állapot egyenlet) (3) y(t) = h(x(t), u(t)) (kimeneti egyenlet) (4) egy adott x(t 0 ) = x(0) kezdeti érték feltétellel, ahol x(t) R n az állapotváltozókból álló vektor, u(t) R r a bemeneti változókból álló vektor, y(t) R p a kimeneti változókból álló vektor és f, h sima nemlineáris függvények. A fentiekhez hasonló módon adható meg a diszkrét idejű lineáris és nemlineáris állapottér modellek általános alakja; a koncentrált paraméterű időinvariáns diszkrét idejű lineáris rendszerek állapottér modellje például az alábbi alakban írható fel: x(k + 1) = Φx(k) + Γu(k) (állapot egyenlet) (5) y(k) = Cx(k) + Du(k) (kimeneti egyenlet) (6) egy adott x(k 0 ) = x(0) kezdeti érték feltétellel, ahol x(k) R n az állapotváltozókból álló vektor, u(k) R r a bemeneti változókból álló vektor, y(k) R p a kimeneti változókból álló vektor és Φ, Γ, C, D megfelelő dimenziójú rendszermátrixok. A koncentrált paraméterű időinvariáns diszkrét idejű nemlineáris rendszerek állapottér modellje pedig az alábbi alakban adható meg: x(k + 1) = φ(x(k), u(k)) (állapot egyenlet) (7) y(k) = γ(x(k), u(k)) (kimeneti egyenlet) (8) 7

19 egy adott x(k 0 ) = x(0) kezdeti érték feltétellel, ahol x(k) R n az állapotváltozókból álló vektor, u(k) R r a bemeneti változókból álló vektor, y(k) R p a kimeneti változókból álló vektor és és φ, γ sima nemlineáris függvények. A rendszereket a külső környezetből zavarások érhetik. A zavarásokat legtöbbször, mint a rendszer egy nem manipulálható bemenetét lehet modellezni. A folyamat hibák tehát olyan zavarásoknak tekinthetők, amelyek a rendszerre hatnak és változást okozhatnak a rendszer kimenetén függetlenül a mért bemenetektől. A lineáris időinvariáns folytonos idejű (1)-(2) állapottér modell zavaró változókkal kibővített alakja az alábbi formában írható fel: ẋ(t) = Ax(t) + Bu(t) + B d z(t) (9) y(t) = Cx(t) + Du(t) (10) egy adott x(t 0 ) = x(0) kezdeti érték feltétellel, ahol x(t) R n az állapotváltozókból álló vektor, u(t) R r a bemeneti változókból álló vektor, y(t) R p a kimeneti változókból álló vektor, z(t) R k a zavarásvektor és A, B, B d, C, D megfelelő dimenziójú rendszermátrixok. Folyamatirányítási feladatok A folyamatirányítás feladata, hogy az üzem viselkedését irányítsa annak érdekében, hogy egy előre meghatározott célt elérjen. Így a folyamatirányításhoz kapcsolódó feladatok gyakran aktív feladatok abban az értelemben, hogy jeleket határoznak meg, amelyek hatással vannak az üzemre. Ezek a jelértékek a beavatkozó adatok, és általában a mért értékekből határozhatók meg. Az aktív irányítási vagy szabályozási részfeladat mellet a folyamatirányítási feladatok gyakran tartalmazzák a szabályozáshoz szükséges előkészítési vagy segéd feladatokat [43], mint például szűrés, identifikáció vagy diagnosztika. Állapotszűrés A szabályozók nagy része (pl. pólusáthelyező-, optimális- és robosztus szabályozók) állapotvisszacsatolást használ, amelyek felhasználják a a beavatkozó bemenet meghatározásához az aktuális állapot értékeit. Mivel valamennyi az állapotváltozó értéke rendszerint nem mérhető közvetlenül, ezért csak a rendelkezésre álló mérési adatokat lehet felhasználni, amelyek gyakran mérési zajjal terheltek. Ezért sok esetben szükséges állapotszűrést alkalmazni az állapot jelek értékeinek megbecsüléséhez. A legismertebb állapot szűrő módszer a Kalman szűrő. Identifikáció A szabályozó eljárások megtervezéséhez szükséges egy teljes dinamikus rendszermodell, amelyen modell struktúrát és modell paramétereket értünk. Egyes paraméterek értékei gyakran nem ismertek, vagy időben változók is lehetnek. Ezért szükséges identifikációs eljárásokat alkalmazni a rendszer struktúrájának és paramétereinek meghatározására. Diagnosztika A diagnosztika célja, hogy különböző meghibásodási módokban felfedezi, detektálja és izolálja a rendszerhibákat és meghibásodásokat a mért adatokból és a jó, valamint a hibás működést leíró rendszer modellekből. A diagnosztika az operátorok számára magas szintű információt szolgáltat a rendszer állapotáról, és befolyásolja a szabályozók működését. 8

20 Ha a diagnosztizálandó dinamikus rendszer rendszerelméleti modellje rendelkezésünkre áll, akkor két típusú diagnosztikát végezhetünk [43]: a predikciós hibán alapuló diagnosztikát és az identifikáción alapuló diagnosztikát. Predikción alapuló diagnosztika A predikción alapuló diagnosztika probléma kitűzése az alábbi alakban fogalmazható meg. Adott: a vizsgált meghibásodási módok száma, N F beleértve a hibamentes modellt is, amelyet 0-val jelölünk. egy D mérési rekord: D[1, k] = { (u(τ), y(τ)) τ = 1,..., k } a predikált diszkrét idejű parametrizált dinamikus rendszer modellek halmaza, amelyek leírja a rendszert az F i meghibásodási módokban: y (F i) (k + 1) = M (F i) ( D[1, k]; p (F i) ), k = 1, 2,... (11) ahol F i, i = 0, 1,..., N F a hiba azonosítja és p (F i) paraméterek ismertek. egy J (F i), i = 0, 1,..., N F veszteségfüggvény: J (F i) (y y (F i), u) = k τ=1 [ r (i)t (τ)qr (i) (τ) ] (12) r (i) (τ) = y(τ) y F i (τ), τ = 1, 2,... ahol Q pozitív definit szimmetrikus súlyozó mátrix. Feladat: meghatározni a rendszer azon meghibásodási módját, amelynél a modell index F i és a (11) egyenlettekkel leírt modellekhez rendelt (12) egyenlettel megadott veszteségfüggvényt minimalizálja. Identifikáción alapuló diagnosztika Az identifikáció alapuló diagnosztika probléma kitűzése a következő alakban fogalmazható meg. Adott: a vizsgált meghibásodási módok száma, N F beleértve a hibamentes modellt is, amelyet 0-val jelölünk. egy D mérési rekord: D[1, k] = { (u(τ), y(τ)) τ = 1,..., k } 9

21 a predikált diszkrét idejű parametrizált dinamikus rendszer modellek halmaza, amelyek leírja a rendszert az F i meghibásodási módokban: y (F i) (k + 1) = M (F i) (D[1, k]; p (F i) ), k = 1, 2,... (13) ahol F i, i = 0, 1,..., N F a hiba azonosítja és p (F i) paraméterek ismertek. egy J (F i), i = 0, 1,..., N F veszteségfüggvény, amely függ a paraméterektől: J (F i) (p estf i p (F i), u) = ρ (i)t Qρ (i) (14) ahol Q pozitív definit szimmetrikus súlyozó mátrix, p estf i a becsült paraméterek vektora az F i meghibásodási módban, amely a mért rekordon és a ρ (i) = p estf i p (F i) paraméterkülönbségen alapul. Feladat: meghatározni a rendszer azon meghibásodási módját, amelynél a modell index F i és a (13) egyenlettekkel leírt modellekhez rendelt (14) egyenlettel megadott veszteségfüggvényt minimalizálja A predikción alapuló diagnosztika tudásalapú megközelítésben Ha a hiba detektálás és diagnosztika a valós üzemi adatok és egy dinamikus modell által generált predikált értékek összehasonlításán alapszik, akkor predikció alapú diagnosztikáról beszélünk. A diagnosztika szempontjából információt hordozó eltérésekből ún. szimptómákat képezünk, amelyek a tudásalapú diagnosztikai módszerek bemenetei. A tudás alapú módszerek a megfigyelt szimptómákról és a folyamatrendszerről rendelkezésre álló heurisztikus ismereteken alapszanak. Ha nem áll rendelkezésre információ a hibák-szimptómák ok-okozatiságára vonatkozóan, akkor a tapasztalatok alapján tanított statisztikai vagy geometriai osztályozó módszereket alkalmaznak hibadiagnosztikára. Ha a hibák-szimptómák ok-okozatiságát le lehet írni if-then alakú szabályokkal, akkor a következtetési módszereket alkalmaznak. A tudásalapú diagnosztikai technikák nem csak a felhasznált információk típusában különböznek, hanem a diagnosztikai keresési stratégiákban is. Általában a diagnosztikai keresési stratégia erősen függ az ismeretek reprezentációs sémájától, amelyet az a priori ismeretek sajátosságai határoznak meg. Ezért a felhasznált a priori információk (a meghibásodások halmaza, a megfigyelések (szimptómák) és meghibásodások közötti relációt leíró kapcsolatok) típusa a legfontosabb megkülönböztető sajátosság a tudásalapú diagnosztikai rendszerekben. Az a priori információt felhasználó diagnosztikai módszerek csoportosítását és részletes ismertetését Venkatasubramanian et al. (2003) [117, 115, 116] közleményeiben tárgyalja. A diagnosztikai keresési stratégiák alapján a diagnosztikai módszerek három alapvető típusú algoritmusa különböztethető meg az ismeretgyűjtés és -értelmezés formája szerint [59]: osztályozási módszerek, következtető módszerek és ezek kombinációja. 10

22 Az osztályozási módszerek, amelyek a geometriai, statisztikai, neurális és polinomiális osztályozásokat foglalják magukba, általában referencia mintákat használnak fel tanulás céljából. A következtető módszerek nyelvi szabályokon alapszanak. Ezek a diagnosztikai rendszerek legtöbbször fuzzy szabályokat [72] alkalmaznak, amellyel egy ún. közelítő következtetést érnek el. Ennek a megközelítésnek az a problémája, hogy nagyon időigényes a szabályok megalkotása és a későbbiekben a szabálybázis módosítása. A két módszert együttesen használják például az adaptív neuro-fuzzy rendszerek [21]. A fenti általános áttekintés alapján kialakított predikción alapuló tudásalapú diagnosztikai rendszer elemeit összegzem a következőekben. Gyökér ok A tudás alapú hiba detektálásban és diagnosztikában a rendszer minden meghibásodási módjához rendelhető egy ún. gyökér ok. Ezen gyökér okok bekövetkezésének egy variációja adja egy hiba okát. A gyökér okok gyakran nem mérhetők és diszkrét értékűek (indikátor változók), így egy gyökér ok rendszerelméleti szempontból úgy írható le, mint egy nem mérhető zavarás egy diagnosztikai célú folyamatrendszerben. Szimptómák Egy mérhető vagy számítható mennyiségeken definiált relációt szimptómának nevezünk, ha kapcsolódik egy tetszőleges meghibásodás vagy hiba egy gyökér okához. A szimptómák működési szempontból felismert devianciák, amelyeket a rendszer dinamikus viselkedése következtében időfüggő módon azonosíthatunk. Egy szimptóma definíciójában szereplő relációk leggyakrabban egyenlőtlenségekként jelennek meg. A szimptómák értékkészlete a logikai értékek halmaza (igaz vagy hamis). Egy egyszerű példa szimptómára a temperature high = (T > 1000K), amelyet a mérhető T hőmérséklet segítségével definiálunk. Dinamikus rendszerek esetében a mérhető mennyiségek többsége olyan változó, amely időben változó értéket vesz fel, ezért egy szimptóma értéke (vagy jelenléte) szintén egy időben változó mennyiség. Szimptómák és célok A funkciók írják le egy rendszer vagy egy komponens szerepeit, amelyek szükségesek a tervezett működési vagy folyamat célok eléréséhez. A funkciók természetesen kapcsolódnak azokhoz a részrendszerekhez vagy rendszerelemekhez, amelyek ahhoz szükségesek, hogy elérjük a folyamat célokat. Ez a kapcsolat formálisan oly módon valósul meg, hogy a funkciókat normális esetben a kapcsolódó rendszerelemek tulajdonságainak időfüggő értékeivel írjuk le. Egy egyszerű példa a temperature normal = (900K T 950K) funkció valamely T hőmérsékletre a rendszerben. Másfelől egy célhoz kapcsolódó szimptóma tartalmaz egy funkció-viselkedés típusú ismeretet. A viselkedés az összekapcsolt folyamatrendszerből származó összetett 11

23 hatás, amely tartalmazza mind a technikai, mind az emberi komponenseket. A viselkedés tekinthető úgy, mint a rendszerállapot időbeli trajektóriáinak összessége. Ha egy szimptómához kapcsolódó feltétel teljesül, akkor a kapcsolatban álló rendszerelem nem teljesíti a vele kapcsolatos célokat. Ez egyrészt kapcsolódási pontot szolgáltat a hiba detektálás és diagnosztika között, másrészt egy kapcsolatot is ad a szimptómák és célok között a komponensek és részrendszerek funkcióin keresztül. Ennek önmagában van egy hierarchikus természete a rendszer tervezésben a komponensektől a részrendszereken át a rendszerekig. Fontos kiemelni, hogy a célok rögzítenek egy elvárt folyamatrendszer tulajdonságot, amely gyakran időinvariáns. Egy egyszerű példa lehet egy kapcsolódó szimptóma és funkció párra az előző egyszerű szimptóma és funkció, amelyek a közös T hőmérséklet változón keresztül függenek össze. Diagnosztikai szcenárió Hasonlóan az input-output szcenárióhoz, amely a kapcsolódó be- és kimeneti jelek egy véges rekordja, a diagnosztikai szcenárió az azonos családhoz tartozó (azaz ugyanazon mérhető kimeneti jel feletti) szimptómák egy időbeli sorozata. Ha veszünk egy mérhető változót, és ezen definiálunk egy szimptómát mint kvalitatív változót, akkor egy diagnosztikai szcenárió tekinthető úgy, mint a rendszer egy kvalitatív értékű kimeneti jele. A meghibásodások hatásának elemzése A rendszer viselkedését minden figyelembe vett meghibásodási módjában leíró dinamikus rendszermodell segítségével predikcióval meghatározható(ak) egy hiba vagy meghibásodás (időbeli) következménye(i) [117, 115, 116]. Ez elvégezhető szimulációval, amely megjósolja a meghibásodott rendszer viselkedését. Súlyos és/vagy kockázatos következmények elkerülésére ajánlott megelőző beavatkozások szintén tervezhetők és/vagy tesztelhetők szimulációval. Veszteségmegelőzés Gyakran nem elég, hogy felismerjük és izoláljuk egy rendszer hibás állapotát, hanem arra is szükség lehet, hogy tanácsokat adjunk a működtető személynek, hogy hogyan kerülje el a hiba nem szándékolt következményeit megfelelő megelőző beavatkozás(ok) kiválasztásával. Minden egyes (gyökér okával azonosítható) hibához rendelhető(k) kitüntetett bemeneti jel(ek), amely(ek) a rendszert a tranziensének kezdeti fázisából kiindulva megpróbálja(k) megelőzni a súlyos következményeket vagy megpróbálja(k) visszavinni a rendszert a normális működési tartományba. Ez vezethet operátor tanácsadó rendszerek (Oparator Guidance System, OGS) fejlesztéséhez. Ezen esetekben további what if (mi van akkor, ha) típusú feltételes predikciók szükségesek egy veszteségmegelőző beavatkozás hatásának vizsgálatához Veszélyelemzés, veszélyazonosítás A hibadetektálási és diagnosztikai feladatokhoz [117] szükséges információk eltérő karakterisztikával jellemezhető különféle forrásokból nyerhetők ki. Ezek az infor- 12

24 mációforrások tartalmazzák a koncepcionális tervezési tanulmányokat és a kockázatelemzést, ezen túlmenően a részrendszerek vagy konkrét működési módok [45] részletes dinamikus modelljeit, továbbá operátoroktól és egyéb üzemi munkásoktól származó heurisztikus működtetési tapasztalatokat. A heurisztikus információk beszerezhetők a veszélyek azonosítása és elemzése, valamint károk felmérése és csökkentése során, felhasználva az úgynevezett folyamat működésképességi elemzés (Process Hazard Analysis, PHA) módszerét. Többféle módszert használnak a PHA tanulmányokban, úgy mint a működőképesség és veszélyelemzés (Hazard and Operability Analysis, HAZ- OP), hibafa-elemzést (Fault-Tree Analysis, FTA), meghibásodásmód és -hatás elemzést (Fault Mode Effect Analysis, FMEA) Működőképesség- és veszélyelemzés (HAZOP) A gyakorlatban igen elterjedt a veszélyelemzési módszerek között a működőképességés veszélyelemzés vagy működésbiztonsági veszélyelemzés (HAZard and OPerability analysis, HAZOP) [31, 32, 53, 65, 67, 77]. Az 1960-as évek végén az Imperial of Chemical Industries (ICI) vegyipari technológiai rendszerekhez dolgozta ki a biztonságtechnikai veszélyek meghatározására és kiértékelésére, valamint azoknak az üzemeltetési problémáknak az azonosítására, amelyek károsan befolyásolják egy üzem előírt működését. A HAZOP elemzés során több műszaki tudományterület képviselőiből álló munkacsoport kreatív és módszeres megközelítést alkalmaz azoknak a veszélyeknek és üzemeltetési problémáknak a feltárásához, amelyek a rendeltetésszerű, normális működéstől való eltérésből erednek, és amelyek káros következményekkel járhatnak. A HAZOP elemzésnek az az elve, hogy a rendszer paramétereinek vagy változóinak normális állapottól való eltérését a már létező vagy kialakulóban lévő hibák okozzák. Az elemzés során előre meghatározott, ún. vezérszavakat (guide words) [66] (pl. MORE, LESS, NONE,...) használnak. Ezeket a vezérszavakat az üzem folyamatábrája szerinti különböző területeken alkalmazzák és meghatározott folyamatjellemzőkkel kombinálva állításokat fogalmaznak meg a rendeltetésszerű üzemi működéstől való eltérés meghatározása érdekében. A HAZOP elemzés során felsorolják a potenciális hiba okokat és a következményeket, valamint a hibákhoz rendelhető megelőző/védelmi intézkedéseket az általános tapasztalatok alapján. A HAZOP elemzés eredményét rendszerint táblázatos formátumban foglalják össze. Egy példa látható az 1. táblázatban. A módszer meglehetősen időigényes és ebből következően igen költséges. A vizsgálat rendszerszintű (és nem rendszerelem szintű), és ennélfogva alapvetően magára a technológiára (és nem pl. a gépészetre) irányul Meghibásodásmód és -hatás elemzése (FMEA) A meghibásodásmód és -hatás elemzése vagy hibamód és hatáselemzés (Fault Mode Effect Analysis, FMEA) [2, 52] tetszőleges rendszerek, alrendszerek, berendezések, 13

25 Vezérszó Eltérés Lehetséges okok Következmények Megelőző intézkedések táblázat. Egy HAZOP eredménytábla szerkezete funkciók, technológiai eljárások diagnosztikai szempontú minőségi analízise. Elsősorban mechanikai és villamos berendezések meghibásodásának vizsgálatára használják, ellentétben a HAZOP módszerrel, amely a rendszerben zajló folyamatok egymásutániságát, ok-okozati kapcsolatait elemzi. Az FMEA feltérképezi maguknak a berendezéseknek, alrendszereknek a lehetséges meghibásodását, és a meghibásodások helyi és rendszer szintű következményeit. Az egyes meghibásodásokat a rendszeren belüli többi meghibásodástól független eseménynek tekintik, kivéve azokat a hatásokat, amelyeket maga a meghibásodás okozhat. Az FMEA analízis eredményét táblázatos formában rögzítik a 2. táblázattal jellemezhető struktúrában. Komponens / Meghibásodási Lehetséges Érzékelés Kihatása más Kihatása a Berendezés mód okok módja komponensekre rendszerre táblázat. Egy FMEA eredménytábla szerkezete Az FMEA egy kiterjesztett változata a meghibásodásmód, -hatás és hibakritikusság elemzésnek (Failure Mode and Effects Criticality Analysis, FMECA) [2] nevezett módszer, amelynek célja (az FMEA céljain kívül) azon berendezések, alrendszerek hibakritikusságának ártalompotenciáljuk szerinti rangsorolása a rendszerelemek által okozható károk által jellemezhető skálán, amelyek személyi sérülést, károkat vagy egyéb rendszersérülést okozhatnak az egyedi meghibásodások következtében. A FMECA eredményeként megadhatók azok a rendszerelemek, amelyekre nagyobb figyelmet kell fordítani Többléptékű modellezés A legújabb technológiai előrelépések eredményeként létrejövő egyre bonyolultabb folyamatok és rendszerek jelentős kihívásokat jelentenek a tervezés, az analízis, az optimalizálás, az irányítás, a működtetés és a diagnosztika területén. Az ilyen komplex rendszerek leírására alkalmas többléptékű modellezés elterjedése és alkalmazása a benne rejlő lehetőségek (pontosság, rugalmasság, számítási hatékonyság) kiaknázásával ezért egyre növekszik. A többléptékű modellek gyakorlati alkalmazása az utóbbi 15 évben nagy előrelépést mutat különböző tudományterületeken. Ezzel párhuzamosan megnőtt az igény a különféle többléptékű modellek, módszerek és terminológiák alkalmazására. 14

26 Többen foglalkoznak a többléptékű modellezés általános, egységes alapelveinek és eszközeinek fejlesztésével [41, 78, 42, 86, 55] Időskála, méretskála és skálatérkép Egy többléptékű modell (multiscale model) [55] egy összetett matematikai modell, amely két vagy több részleges modellből áll, amelyek különböző léptékszinteken (scale) írják le a jelenségeket. A léptékszintek (vagy skálák) általában az objektumok karakterisztikus ideje vagy mérete mentén alakíthatók ki és tartalmazzák a modell által leírt jelenségeket. Harder és Roels (1982) [47] közleménye alapján az alábbi módon definiáljuk az idő- és méretskálák egységét: Időskála (time scale) egy egysége azon idő nagyságrendje, amennyi idő szükséges ahhoz, hogy egy jelenség egy külső feltételekben bekövetkező változásra válaszoljon. Méretskála (length scale) egy egysége azon objektumok kiterjedésének nagyságrendje, amely tartalmazza a vizsgált jelenséget. Két diagram típust használnak a rendszerek többléptékű természetének leírásához: a szervezeti (organisational) diagramokat és a skálatérképeket (scale map). A szervezeti vagy összetettségi diagramok megmutatják, hogy egy rendszerben milyen részrendszerek vagy folyamatok fordulnak elő, és elhelyezik őket egy idő- vagy méretskála hierarchiában. A skálatérképek objektumok, folyamatok vagy jelenségek elhelyezkedését ábrázolják a karakterisztikus idő vagy méret vagy mindenkettő szerint logaritmikus tengelyen. Az 1. ábra egy skálatérképet, a dolgozatban később kulcsszerepet játszó folyamatrendszerek általános skálatérképét mutatja az idő- és méretskálák mentén. A skálatérképek (scale map) jellemzői: hozzávetőleges, nagyságrendi különbségeket mutatnak; az ábrázolt skálaegységek részlegesen átfedhetik egymást; gyakran létezik egy átlós kapcsolat az idő- és méretskálák között; különböző perspektívákból jelenítik meg ugyanazt a rendszert, megvilágítva az objektumokat, folyamatokat, elméleti és gyakorlati technikákat, amelyek lényegesek minden szinten A többléptékű modellezés lépései Egy többléptékű modell megépítésének legfontosabb, a többléptékű modell kialakítása szempontjából specifikus lépéseit Ingram és Cameron (2002) [54] az alábbi három feladatban határozza meg: a többléptékű modellben az idő- és méretskálák meghatározása és kiválasztása; 15

27 1. ábra. Léptékek a folyamatmérnökségben [41] alkalmas modellek alkalmazása vagy megalkotása minden egyes skálán, amely fontos; a részmodellek összekapcsolása vagy integrálása egy koherens többléptékű modellé. A fenti lépéseket a folyamatmodellek felállítására használt 7 lépéses modellezési eljárás [45] lépéseivel összhangban kell alkalmazni Többléptékű modellek diagnosztikai célvezérelt modellezése és szimulációja A szakirodalomban jelenleg nincs egy kiforrott vagy elfogadott módszer többléptékű folyamatmodellek építésére, ezért sok kutató foglalkozik ezen tématerülettel. Néhány közlemény foglalkozik különböző típusú többléptékű folyamatmodellek építésével (például Pantelides (2001) [86], Guo and Li (2001) [42], McGahey and Cameron (2002) [80]), amelyből idővel egy módszertan születhet. Ugyanakkor egy másik fontos probléma ezen a területen, hogy milyen módon integráljuk a részmodelleket egy többléptékű folyamatmodell keretbe [56, 55]. Az alábbiakban ismertetek egy célvezérelt modellezési módszert többléptékű folyamatmodellek megépítésére [P5] és bemutatom, hogy hogyan használható fel egy ilyen modell dinamikus szimulációra. 16

28 Folyamatmodellezés A modellezési probléma kitűzéséhez [45] két fő alkotóelemre van szükség: a modellezendő folyamatrendszer leírására, amely általában egy folyamatábrával jellemezhető (tartalmazza a rendszer határait, a rendszerben lejátszódó mechanizmusokat, a rendszer jellemző paramétereit, a rendszer be- és kimeneteit); a modellezési cél specifikálására, amely meghatározza, hogy mennyire részletes, pontos modellre van szükség, illetve a rendszer mely sajátosságait kell a modellnek leírnia. Modellezési eljárás A modellezési folyamat Hangos és Cameron (2001) [45] szerint ciklikus, iteratív és az alábbi 7 lépésre bontható fel: (1) Modellezési probléma definiálása (2) Mechanizmusok meghatározása (3) Adatok gyűjtése és értékelése (4) Modell elkészítése (5) Modell megoldása (6) Modell megoldásának ellenőrzése (7) Modell érvényességének ellenőrzése A továbbiakban elsősorban a modell elkészítésével (4. lépés) és modell megoldásával vagy szimulációjával (5. lépés) foglalkozom Diagnosztika, mint többléptékű modellezési cél A többléptékű modellezéskor a folyamatrendszer leírása ugyanúgy, mint a modellezési cél egy többléptékű modellt igényelhet abban az esetben, ha nagyságrendi különbségek vannak a rendszerelemek méretbeli vagy időbeli viselkedése között. Ahogy azt a alfejezetben láthattuk, a predikción alapuló diagnosztikában általában szimptómákat használunk, amelyek a folyamatrendszer időben változó mennyiségeiből (változók vagy modell elemek) számíthatók ki. A HAZOP tábla és a szimptómák két olyan elemet alkotnak, amelyeket felhasználhatunk egy speciális diagnosztikai modellezési cél kifejezésére. Diagnosztikai szempontból egy olyan folyamatmodell megépítése szükséges, amely dinamikus és képes leírni a rendszer időbeli viselkedését az összes figyelembe vett meghibásodási módban, képes meghatározni a figyelembe vett összes szimptóma időbeli változását, képes kezelni a rendelkezésre álló beavatkozó változók időbeli értékeit, hogy tesztelni lehessen a lehetséges beavatkozások hatását modell alapú predikcióval. 17

29 Többléptékű folyamatmodellek modellezési hierarchiája Amikor a többléptékű folyamatmodelleket diagnosztikai célból hozzuk létre, általában az időskálán egy a diagnosztika szempontjából fontos idő-szintet rögzítünk a rendszer meghatározó időállandói alapján. Így a modell hierarchiát csak a méret- és részletezettség skálák mentén definiáljuk. Egy folyamatmodell hierarchiája a részletezettség skála mentén a következő: 1. rendszer/üzem 2. egységek, berendezések 3. fázisok 4. mérlegelési térfogatok 5. mérlegegyenletek 6. algebrai (kiegészítő) egyenletek 7. változók Fontos megjegyezni, hogy a fenti szintek közül néhány hiányozhat és speciális esetekben más szintek is megjelenhetnek. Az A. Függelék egy két részletezettségi szintű egyszerű folyamatrendszert, egy hőcserélőt mutat be illusztrációképpen. A többléptékű modell felső szintje az ellenáramú hőcserélő berendezés szintje, alsó szintjén pedig a hőcserélő egy szeletét (berendezés-rész) modellje található. A többléptékű modellek egy fontos meghatározó jellemzője, hogy a különböző szinteken lévő részmodelljei általában erősen különböző jellegűek (fajtájúak) és különböző alapismereteket használnak fel. Például, lehet egy mérnöki modellünk néhány mérlegelési térfogatra, amelyet integrálunk egy tisztán heurisztikus szabály alapú modellel a berendezés szinteken Szimptóma hierarchia Általában a szimptómák a kapcsolódási elemek a folyamatmodell és a modellezési cél hierarchiák között, mert van legalább egy mérhető változójuk vagy más rendszerelemük, amelyhez társulnak és ezáltal a modell hierarchiába kapcsolódnak; funkciókhoz kapcsolódnak, vagy esetünkben a rendszer hibás működéseihez, amelyek kapcsolatban állnak a célokkal. Így a szimptómák két hierarchiába is elrendezhetők vagy a modell vagy a cél hierarchia mentén. Mivel a többléptékű modelleket predikcióra akarjuk használni ahhoz, hogy egy gyökér ok vagy egy javasolt megelőző beavatkozás következményeit meg tudjuk határozni, egy olyan szimptóma hierarchiát használunk, amely a modell hierarchiáját követi a szimptómák definiálásában szereplő változók vagy a modellelemek által. 18

30 Egy célvezérelt felülről lefelé haladó modellezési megközelítés A többléptékű folyamatmodellek építésére alkalmas ún. top-down (felülről lefelé haladó) megközelítés [24] a legdurvább skálájú részmodell megépítésével kezdődik, majd ennek elemeit pontosítjuk finomabb skálák menti részmodellekkel, ha szükséges. A dolgozatomban ezt a megközelítést alkalmazom a diagnosztikai célvezérelt modellezési eljárásra, amelyben feltételezem, hogy a modellezési feladat a következő problémakitűzés formájában adott. Adott: egy folyamatrendszer leírás a rendszer határaival, funkcióival és a fő mechanizmusokkal, egy modellezési cél, mely szerint a modellnek le kell írnia az összes lehetséges gyökér ok következményeit és a megelőző beavatkozások hatásait egy adott HAZOP tábla minden bejegyzésére. Feladat: a legegyszerűbb (azaz minimális) többléptékű modell megépítése, amely képes ráfókuszálni a bekövetkezett eseményre a hierarchikusan dekomponált modell szükséges részeinek felhasználásával. Ha a modellezési feladat a fenti speciális módon kerül kitűzésre, akkor a következő kiterjesztések szükségesek a 7 lépéses modellezési eljárás egyes/adott lépéseihez: (1 ) Szimptómák előállítása a modellezési cél részeként adott HAZOP táblából (Vezérszó és Eltérés oszlopok) (2 ) Skálák (méret és részletezettség) és ezek maximális finomságának meghatározása az adott rendszer leírásában szereplő irányítási faktorok (mechanizmusok) alapján. (4 ) A modellépítés top-down megközelítésének alkalmazása során a szimptómák formalizálása a modellelemekkel és a -változókkal, amelyek meghatározzák a szükséges skálákon a szükséges szinteket. A kiterjesztések a folyamatrendszer és a diagnosztikai modellezési cél fentiekben tárgyalt sajátosságainak következményei. Ezen kiterjesztések segítségével lehet a modellezési eljárás során a megfelelő lépéseket elvégezni. Ha a modellezési cél egy HAZOP tábla által adott, akkor ebből a szükséges szimptómák az (1 ) lépésben könnyedén előállíthatók. Ezek a szimptómák a kulcselemei a fenti modellezési módszernek, ezek irányítják a későbbi modellezési lépéseket, és összekötő kapocsként szolgálnak a megépített többléptékű modell és a diagnosztika között. A (2 ) lépés egy olyan kiterjesztés, amely alapvető minden többléptékű modellezési probléma esetén [24]. Végül a (4 ) lépés szükséges ahhoz, hogy formalizáljuk az (1 ) lépésben meghatározott szimptómákat a modell változóival együtt, és formálisan összekapcsoljuk a többléptékű modellt a diagnosztikával, pontosabban a gyökér ok identifikációval. 19

31 Részecske folyam Kötõanyag Granulátor Nedves szemcsék Szárító Száraz szemcsék Méreten felüli Rosták Termék Törõ Méreten aluli Újra feldolgozandó szemcsék 2. ábra. Egy egyszerűsített folyamatos granulátor kör A megépített többléptékű folyamatmodellt alkalmazhatjuk predikcióra a valós folyamattal párhuzamosan úgy, hogy az meghatározza a potenciálisan veszélyes következményeket és tesztelje a lehetséges megelőző beavatkozások hatásait. Fontos megjegyezni, hogy a bemutatott megközelítés erősen támaszkodik arra a feltételezésre, hogy a diagnosztikai célhalmaz HAZOP tábla formájában adott. Léteznek más alternatív módszerek ugyanezen információknak más forrásokból és/vagy más formátumokban történű kinyerésére abnormális események detektálásával és osztályozásával [117, 115, 116]. Egy egyszerű, ám hatékony módja a szimptómák megtalálásának a tanulás, amelyet Szücs et al. [107] ismertettek Egy konkrét folyamatrendszer: granulátor kör A dolgozatban egy konkrét folyamatrendszer, egy granulátor kör segítségével mutatom be a kifejlesztett eszközöket és módszereket, valamint a kapott eredményeket. Ebben a fejezetben ezért részletesen ismertetem a granulátor kör technológiájával, modellezésével és diagnosztikájával kapcsolatos mérnöki ismereteket a [76, 16] közlemények alapján Granulátor kör A granuláció [76], mint a részecskefeldolgozó iparág egyik fontos eleme, egy részecskeméret-növelő folyamat, amelyet széles körben alkalmaznak például a gyógyszeriparban, a mezőgazdaságban és a műtrágyagyártásban. A granuláció során részecskéket (por) vezetnek egy keverő egységbe, amely adagonként vagy folytonosan agglomerálódik a ráfecskendezett folyékony kötőanyag által addig, amíg el nem készül a granulált termék. Az üzemekben a méretnövelő folyamat mellé további műveleteket kapcsolnak, úgy mint szárítás vagy hűtés, keverés, méretosztályozás, méretcsökkentés, őrlés. Ezen műveletek együttesét granulációs körnek [26] nevezik. Egy tipikus granulációs kör technológiai hatásvázlata látható a 2. ábrán. Az általam vizsgált granulátor kört [16] a műtrágyagyártásban (NH 4 )H 2 PO 4 monoammónium-foszfát (MAP) és (NH 4 ) 2 HPO 4 diammónium-foszfát (DAP) előállítása használják, amelynek a fő berendezéseit az alábbiakban részletezem. 20

32 Granulátor dob A granulátor dob egy granulátor kör legfontosabb eleme. DAP előállításához a műtrágya alapanyagát (MAP, DAP, H 2 O elegye) betáplálják a dobba a granulátor kör további berendezéseitől visszacsatolt részecskékkel együtt. A reakció NH 3 + (NH 4 )H 2 PO 4 (NH 4 ) 2 HPO 4 + hő tökéletes végbemenetele érdekében ammóniát fecskendeznek be a dobba, amely reakcióba lép a MAP-pal és a végtermék DAP lesz. A reakció mellett a dobban a részecskék mérete növekszik rétegződéssel, összetapadással vagy csökken töréssel. Szárító A legtöbb műtrágya előállító granulációs folyamat forgó dobot használ a műtrágya szárításához, amelyben a szárító egy ellenáramú gőzáramon viszi keresztül a részecskéket. Rosták A részecskék méret és alak szerinti osztályozását a rosták végzik. Az osztályozással kiválogatják a terméknek megfelelő méretű szemcséket, a maradékot pedig visszaforgatják (visszacsatolják) a rendszerben, és a friss betáplálással együtt a granulátor dob bemenetére adják. Törő A nagy méretű részecskéket egy törő vagy őrlő berendezéssel apróra zúzzák és ezt vezetik vissza a granulátor dobba a rosták által kiszűrt nagyon apró szemcsékkel vegyítve. A granulátor körben az egységek közötti kapcsolatot részecskeáram biztosítja, amelyet annak hőmérsékletével, nyomásával, tömegáramával és az egyes szemcse méretosztályokba eső részecskeszámmal lehet jellemezni A granulátor dob berendezés szintű modellje A granulátor dob egység berendezés szintű modelljének megadásához a következő modell egyenleteket használtam fel munkám során, amelyek Balliu (2005) [16] értekezésében részletesebben is megtalálhatóak. A berendezés szintű modellhez a granulátor dobot tökéletesen kevert mérlegelési térfogatokból (a folyadék és a szilárd fázis mérlegelési térfogatok) állónak tételezzük fel, amelyekre összes tömeg, komponens tömeg és energiamérleg egyenleteket írunk fel. Összes tömeg mérlegek folyadék fázis: dm L dt szilárd fázis: dm S (i) dt = F L,in + F SL + f NH3 F evap H 2 O F L,out ṁ crystals (15) = F S,in (i) + F MAP,sol SL (i) + F DAP,sol (i) F S,out (i) SL + ṁ crystals (i) + Agg(i) + Lay(i) Break(i) i = 1, 2,...20 (16) 21

33 Komponens tömeg mérlegek a folyadék fázisban: dm MAP dt = F MAP L,in + F MAP SL F MAP L,out c 1 r MAP/DAP (17) dm DAP dt = F DAP L,in + F DAP SL F DAP L,out ṁ crystals + c 2 r MAP/DAP (18) Energia mérlegek dm H2 O dt = F H 2O L,in + (1 ϕ)f H 2O SL F H 2O L,out F evap H 2 O (19) folyadék fázis: de L dt = E L,in + E SL + E NH3 + c 2 H r MAP/DAP E evap H 2 O E L,out E LS ṁ crystals H crys (20) szilárd fázis: de S dt = E S,in + E MAP,sol SL + E DAP,sol SL E S,out (i) + E LS + E crystals i = 1, 2,...20 (21) A fenti egyenletekben a 3. táblázatban található jelöléseket használom. Állapottér modell A fenti modell egyenletekből látszik, hogy az (15)-(21) egyenletek alkotják az állapottér modell állapot egyenleteit az alábbi állapotvektorral: x = [ m MAP m DAP m H2 O M L M S (i) E L E S ] T i = 1, 2,...20 (22) A bemeneti változók, a beavatkozó változók és zavarások pedig az alábbiak: u = [ F MAP SL F MAP SL F DAP SL F NH 3 SL F DAP SL F NH 3 SL F H 2O SL Az állapotegyenletek szerkezete a F MAP,sol SL F DAP,sol SL T SL F H 2O SL T L,in F NH3 T NH3 F S,in (i) T S,in T H 2O S,in ] T i = 1, 2,...20 (23) ẋ = Ax + Bu (24) lineáris kvalitatív differenciál egyenlettel írható le, ahol az A és B mátrixok ún. struktúra mátrixok, amelyek 0 vagy -gal jelölt nem nulla elemei az alábbiak: 22

34 Változó m MAP FL,in MAP FSL MAP FL,out MAP c 1 r MAP/DAP m DAP FL,in DAP F DAP SL FL,out DAP ṁ crystals c 2 m H2O F H2O L,in ϕ F H2O SL F H2O L,out F evap H 2O M L F L,in F SL f NH3 F L,out M S (i) F L,in (i) Jelentése a MAP tömege a folyadék fázisban a MAP betáplálási tömegárama a folyadék fázissal a MAP oldat betáplálási tömegárama a zagy árammal a dobból kilépő MAP tömegárama a folyadék fázisban reakció sebesség együttható az ammónia és a MAP közötti reakciósebesség a DAP tömege a folyadék fázisban a DAP betáplálási tömegárama a folyadék fázissal a DAP oldat betáplálási tömegárama a zagy árammal a dobból kilépő DAP tömegárama a folyadék fázisban kristályosodási sebesség reakció sebesség együttható a H 2 O tömege a folyadék fázisban a H 2 O betáplálási tömegárama a folyadék fázisba a víz eltávozó hányada a zagy tömegáramából oldott H 2 O betáplálási tömegárama a zagy árammal a dobból kilépő H 2 O tömegárama a folyadék fázisban az elpárolgott víz tömegárama folyadék fázis tömege a dobba belépő folyadék fázis tömegárama a folyadék fázisba beáramló zagy tömegárama a folyadék fázisba abszorvbeálódó ammónia tömegárama a dobból kilépő folyadék fázis tömegárama a szilárd fázisban a dobban maradó tömeg mennyisége minden egyes i részecske méret intervallumban a szilárd fázis betáplálási tömegárama minden egyes i részecske méret intervallumban F MAP,sol SL (i) a zagy áramból minden egyes i részecske méret intervallumba lerakódó MAP kristályok tömegárama F DAP,sol SL (i) a zagy áramból minden egyes i részecske méret intervallumba lerakódó DAP kristályok tömegárama ṁ crystals (i) F S,out (i) Agg(i) Lay(i) Break(i) E L E L,in E SL E NH3 H E evap H 2O E L,out E LS H crys E S E S,in E MAP,sol SL E DAP,sol SL E S,out (i) E crystals kristályosodás sebessége minden egyes i részecske méret intervallumban a dobból kiáramló szilárd fázis tömegáram minden egyes i részecske méret intervallumban agglomeráció minden egyes i részecske méret intervallumban rétegződés minden egyes i részecske méret intervallumban törés minden egyes i részecske méret intervallumba a folyadék fázis energiája a dobba belépő folyadék fázis energiája a folyadék fázisba abszorbeálódó zagy energiája a folyadék fázisba abszorbeálódó ammónia energiája reakcióhő az elpárolgó víz energiája a dobból kilépő folyadék fázis energiája a folyadék és szilárd fázisok közötti energiaátadás kristályosodási hő a szilárd fázis energiája a teljes szilárd fázis energiája a dobban a MAP kristályok tömegáramának energiája a zagy áramban a DAP kristályok tömegáramának energiája a zagy áramban a dobból kiáramló teljes szilárd fázis kiáramlási energiája kristályosodási energia 3. táblázat. A granulátor dob modelljében szereplő változók listája 23

35 B =. A = (25) (26) Egy granulátor kör skálatérképe Ha vesszük a granulátor körben jelen levő különböző jelenségek karakterisztikus méreteit vagy időállandóit, akkor öt különböző skála szintet különböztethetünk meg mindkét skála mentén [57], ahogy az a 3. ábrán látható. Az alsó négy szint a granulátor dobhoz tartozik, dolgozatomban ezeket fogom vizsgálni és felhasználni. 3. ábra. Egy granulátor kör skálatérképe [57] 24

36 Fontos megfigyelni, hogy szoros kapcsolat van a granulátor kör karakterisztikus méret- és időskálái között. Általánosságban a magasabb méretszintekhez magasabb szintű karakterisztikus idők feleltethetők meg. Egy kivétel ezen szabály alól a Granule bed, Vessel és a Granule szintek idő-méret skála kapcsolata. Ennek magyarázata, hogy a szemcsékre jellemző mechanizmusoknak egy közvetlen erős hatása van magasabb szinteken lévő dinamikus tulajdonságokra, amely ily módon jelenik meg. Ezen kívül megfigyelhető egy elkülöníthető szétválás egy kis átlapolódással a karakterisztikus méretekben a Particle és Granule szintek között is. Ez lehetővé teszi, hogy a teljes modellt részmodellekre bontsuk az időskála mentén. A részmodellekre bontható eset az, ahol a granulációs folyamatok többléptékű modellezése helyet kap [55] Granulátor dob: szintek, változók és mechanizmusok Ahogy az a 3. ábrán is látható, egy granulátor dobban négy skála vagy szint különböztethető meg: Vessel szint: a teljes dob Változók: koncentrációk a szemcsékben (ál-szilárd) és a kötőanyag (folyadék) fázisokban Mechanizmusok: áramlás és fázisváltozások Az (15)-(21) modellegyenletek egy egyszerű Vessel szintű modell egyenletei. Granule bed szint: a dob egy szelete Változók: szemcsék részecskeméret eloszlása, komponens: egy mérettartomány Mechanizmusok: fázisváltozások, részecske áram A teljes térben elosztott dobot a térbeli változója mentén osztjuk szeletekre. Egy-egy ilyen szeletre az (15)-(21) egyenletekhez hasonló modellt írhatunk fel. Granule szint: egy önálló szemcse Változók: szemcsék mérete és összetétele az időbeli pozícióval Mechanizmusok: reakció, növekedés, törés, egyesülés ütközéssel A szemcse szintű modellel a dob egy szeletének modelljében szereplő forrástagok (pl. Agg, Lay, stb.) analitikus közelítő alakja határozható meg [55]. Particle szint: részecske és kötőanyag Változók: részecskék mérete, alakja és porozitása Mechanizmusok: részecskén belüli folyamatok, adszorpció-deszorpció, felületi reakció, stb. A granulátor dobban elkülönített modellezési szinteket és a szintek közötti információcserét a 4. ábra szemlélteti. 25

37 Powder feed rate Powder size distribution Binder addition rate Drum design details Drum speed Granule flow rate Granule size distribution Binder flow rate Binder droplet size and spray pattern Granule masses Granule velocities Granule moisture content and porosity Mass fraction of solid Mass fraction of liquid Particle properties Binder properties Circuit Vessel Granule bed Granule Production rate Mean granule size Power consumption Recycle ratio Product losses Granule mass flow rate Product granule size distribution Granule moisture Nucleation rate Coalescence kernel Residence time Success of coalescence 4. ábra. Egy granulátor kör szintjei és a szintek közötti információcsere [57] A granulátor dob többléptékű modelljeinek előállítása a Függelék A fejezetében ismertetett és bemutatott hőcserélő különböző részletezettségű modelljeinek előállításához hasonló módon történik. Gordon Ingram PhD dolgozata [55] részletesen is tartalmazza egy többléptékű granulátor modell fenti 4 szintjére felírt modellegyenleteit A granulátor dob modellhez kapcsolódó változók és szimptómák A 4. táblázat tartalmazza a granulátor dob HAZOP analízise eredményei alapján meghatározott változókat és szimptómákat. A granulátor dob skálatérképe alapján minden szimptóma és a hozzá kapcsolódó változók, amelyeket a 4. táblázat tartalmaz, hozzárendelhető a többléptékű modell megfelelő szintjeihez. A hozzárendelés az 5. ábrán látható A granulátor kör HAZOP táblája A dolgozat során használt granulátor kör HAZOP táblájának részleteit tartalmazzák az 5., a 6. és a 7. táblázatok, amelyet a Division of Chemical Engineering, The University of Queensland bocsájtott a rendelkezésemre. 26

38 Változó Binder Flow Binder Flow Binder Flow Binder Viscosity Binder Viscosity Solids Feed PSD Solids Feed PSD Solids Feed Flow Solids Feed Flow Solids Feed Flow Solids Feed Size Solids Feed Size Granulator Drum Speed Granulator Drum Speed Granulator Drum Speed Granulator Exit Distribution Granulator Exit Distribution Granulator Exit Flow Granulator Exit Flow Granulator Exit Flow Granulator Exit Size Granulator Exit Size Szimptóma NONE MORE LESS MORE LESS NARROW WIDE NONE MORE LESS MORE LESS NONE MORE LESS NARROW WIDE NONE MORE LESS MORE LESS 4. táblázat. A granulátor dobhoz kapcsolódó változók és szimptómák listája Flowsheet: Granulation Circuit Key Process Variable: Decrease in average particle size (d 50 ) Guide Word Deviation Possible Causes Consequence Detection and Action Average LESS (1) Decrease in fresh feed size Decrease in system holup (a) Decrease in d Particle Size 50 by online Change in granulation condition optisizer, and increase in (d 50 ) feed flow sensor reading (b) change to original feed type (2) Decrease/loss of binder flow Change in recycle PSD (c) Check the binder flow sensor (d) Recommend inspection of binder feed system and restore ASAP 5. táblázat. HAZOP tábla részlete az átlagos részecskeméret (d 50 ) csökkenés esetén 27

39 Fresh feed Binder Air_in Air_out Granulator Dryer Screen _1 Recycle Crusher Screen _2 Product NONE Level Hopper Level Binder tank Screw feed valve_1 valve_2 valve_3 LESS BFR MORE BFR NONE BFR LESS FFFR WIDE PSD FF WIDE PSD Rec LESS RR MORE FFFR NARROW PSD FF NARROW PSD Rec MORE RR Fresh feed Fresh feed flow rate (FFFR) PSD Recycle conveyor Recycle Mixer PSD Recycle ratio (RR) Binder flow rate (BFR) Gran_1 Gran_2 Granulator drum speed LESS v g_drum Binder flow rate (BFR) MORE v g_drum Gran_3 NONE v g_drum Binder Granulator exit flow (GEF) Binder flow rate (BFR) Granulator Average particle size (d 50 ) GSD LESS GEF LESS d 50 LESS GSD MORE GEF MORE d 50 MORE GSD NONE GEF WIDE GSD NARROW GSD 5. ábra. A szimptómák hierarchiája 28

40 Flowsheet: Key Process Variable: Granulation Circuit Granulator Exit Size Guide Word Deviation Possible Causes Consequence Detection and Action Granulator MORE (1) High binder viscosity Increased d 50 (a) Detection by increase in Exit Size Upward shift in GSD d 50, shift upward in GSD Increase in recycle (b) Initiate stagewise check of setpoints for any variations (2) High agitation intensity (3) High nucleation, consolidation and granule growth rate Covered by (1) Covered by (1) (c) Covered by (a) and (b) (d) Covered by (a) and (b) (4) Increase in successful collisions (5) Increase in residence time Covered by (1) Covered by (1) (e) Covered by (a) and (b) (f) Covered by (a) and (b) Granulator Exit Size LESS (6) Low extent of granule growth Decrease in d 50 Downward shift in GSD Change in recycle (g) Detection by decrease in d 50, shift downward in GSD (h) Covered by (b) (7) Low coalescence rate (8) Low binder viscosity (9) Low/mal-distribution of binder (10) Low residence time (11) Too many fines (difficult to granulate) Covered by (6) Covered by (6) Covered by (6) Covered by (6) Covered by (6) (i) (j) Covered by (g) and (h) Covered by (g) and (h) (k) Covered by (g) and (h) (l) Covered by (g) and (h) (m) Covered by (g) and (h) 6. táblázat. HAZOP tábla részlet a granulátor dobból kilépő részecskeáramra 29

41 Flowsheet: Key Process Variable: Granulation Circuit Binder Flow Guide Word Deviation Possible Causes Consequence Detection and Action Binder Flow NONE (1) Binder nozzle blockage Ungranulated powder (a) detection by decrease in Change in granulation regimes Î d 50, and binder flow value no granulation (b) possible online moisture Increase in dustiness detection methods Decrease in d 50 (c) recommend inspection of Increase in recycle ratio binder feed system (2) Feed valves closed in error (3) Binder supply tank empty (4) Binder supply pump failure Binder Flow MORE (5) Feed valve opened excess in error or fails open, or sticks open Binder Flow LESS (6) Feed atomiser blockage (7) Feed reduced in error Covered by (1) Covered by (1) Covered by (1) The recycle ratio goes through a minimum as liquid content increases Recycle ratio increases sharply at liquid content above the required onset of second stage granulation Decrease in granule porosity Increase in d 50 Widening of GSD High moisture content ex granulator and into recycle Î possible screen blockages Crusher problems Decrease in d 50 Decrease in granulation Change in granulation regime Recycle most likely increase Decrease in GSD ex granulator Product too dry Î attrition and dustiness Increase in granule porosity Covered by (6) (d) Covered by (a), (b) and (c) (e) Covered by (d) (f) Covered by (d) (g) detection by increase in d 50, but decrease in recycle ratio (h) consider online moisture monitoring, and shifts in GSD (i) (j) high flow alarm on binder recommend inspection of product material for excessive moisture (k) Covered by (c),(g) and (h) (l) low flow alarm of binder flow (m) Covered by (k) and (l) Binder Flow MAL- DISTRI- BUTION (8) Sticking control valve (9) Feed Atomiser blockage (10) Damage to feed system (11) Change in binder properties Covered by (6) Reduction in granulation Large spread in GSD various points in drum Reduction in nucleation Large wet agglomerates, and similar amounts of dry unagglomerated material. Covered by (9) Covered by (9) Changes in granulation regimes at (n) Covered by (k) and (l) (o) Combination effects of high and low binder flows. Will be dynamic problems (p) Consider detection from spread in GSD, and recommend inspection of binder spray system (q) Covered by (o) and (p) (r) Covered by (o) and (p) 7. táblázat. Kötőanyag áramára vonakozó HAZOP tábla 30

42 3. fejezet Predikción alapuló diagnosztika Petri hálókkal Amint azt már a 2.1 alfejezben láttuk, a predikción alapuló diagnosztikához szükség van egy dinamikus folyamatmodellre, amelyben a bizonytalan információk és a tapasztalati tudás is leírhatók. Komplex, több műveleti egységet tartalmazó folyamatrendszerek esetén azonban ez a modell túl bonyolult lehet, így a többléptékű modellezési módszer használata válik szükségessé. Ebben a fejezetben a 2.4 alfejezetben bemutatott többléptékű folyamatmodellek cél-vezérelt modellezési módszerét alkalmazom arra az esetre, amikor a modellezési cél egy olyan modell megadása, amely predikció alapú diagnosztikához alkalmazható. Ebben a fejezetben a színezett Petri hálót (Coloured Petri Net, CPN), mint egy egységes modellezési eszközt alkalmazom predikción alapuló diagnosztika céljaira. A Petri hálók és a színezett Petri hálók a diszkrét eseményű rendszerek modellezésére és szimulációjára használatos eszközök közül az egyik leghasznosabbnak tekinthetők. Ennek oka az, hogy egy kvalitatív differenciál algebrai egyenlet alakban adott folyamatmodell egy színezett Petri hálóval reprezentálható. Ezen túlmenően a hierarchikus CPN-ek alkalmassá tehetők hierarchikusan integrált többléptékű modellek leírására is Petri hálók A Petri hálók (Petri net) alapját 1962-ben Carl Adam Petri Kommunikation mit Automaten című doktori tézisében [88] ismertette. Ebben az alfejezetben áttekintést adok a Petri hálókkal kapcsolatos fogalmakról. A formális leírásokról részletesebben például Peterson (1981) [87] vagy Murata (1989) [81] áttekintő cikkében olvashatunk. Bővebb információk, publikációk, alkalmazások, eszközök, szabványosítási folyamat a Petri Net Worlds [14] weboldalon rendszerezve találhatóak Alacsony szintű Petri hálók A következőekben az alacsony szintű Petri hálókkal kapcsolatos fogalmakat ismertetem. 31

43 Petri hálók alapelemei Egy Petri háló helyekből (place) és átmenetekből (transition) épül fel, illetve ezek egymáshoz való viszonyát írja le. Amíg a helyek a modellezett rendszer statikus részét írják le, addig az átmenetek a rendszerben bekövetkező eseményekhez vagy változásokhoz kapcsolódnak. A Petri hálók grafikus reprezentációja egy súlyozott irányított páros gráf, ahol a helyeket körökkel, az átmeneteket téglalapokkal vagy dobozokkal jelöljük. Az átmenetek és helyek közötti logikai relációkat, azaz az események és azok előfeltételei (precondition) és következményei (consequence) közötti kapcsolatokat irányított élekkel reprezentáljuk. Egy egyszerű Petri háló látható a 6. ábrán. p1 t1 p2 p4 t2 p3 6. ábra. Egyszerű Petri háló Az átmeneteket tekinthetjük úgy, mint működési eljárások lépéseit vagy részlépéseit, míg a helyek adják az előfeltételeit és következményeit ezeknek a lépéseknek egy diszkrét eseményű rendszerben. Egy összetett rendszerben egy esemény valamely következménye egy másik esemény előfeltétele, ezért általánosságban a feltétel (condition) kifejezést használjuk az előfeltétel és a következmény helyett, egy Petri háló modellben pedig a bemeneti hely(ek) (input place) és kimeneti hely(ek) (output place) kifejezésekkel szemléltetünk egy hely és egy átmenet közötti relációt. Az előfeltételek bekövetkeztét (érvényességét) a helyeken elhelyezett tokenek vagy más néven jelzőpontok jelenlétével szemléltetjük. A háló átmeneteinek tüzelésével (firing of transitions) a valós rendszer viselkedését tudjuk követni: egy esemény bekövetkezhet, ha annak minden előfeltétele teljesül, azaz egy Petri hálóban egy átmenet engedélyezett (enabled), ha az összes bemenő helye érvényes (valid). Az átmenet tüzelésekor (végrehajtásakor) megfelelő számú tokent elvesz az input helyekről illetve hozzáad az output helyekhez. A helyek és átmenetek közötti logikai relációk definiálják az elvehető és/vagy a hozzáadható tokenek számát. 32

44 Alacsony szintű Petri hálók formális leírása Egy Petri háló [81] az alábbi rendezett négyessel definiálható: ahol: P = {p 1,...p m } a helyek véges halmaza, T = {t 1,...t n } az átmenetek véges halmaza, F (P T) (T P) az élek halmaza, W : F {1, 2, 3,...} egy súlyfüggvény, P T = és P T. N = (P, T, F, W) (27) Az F halmazt két részhalmazra (I, O) partícionálják a bemeneti és a kimeneti függvények, amelyek sorban az alábbi módon definiálhatók: I : T P, I(t i ) = {p j P (p j, t i ) F és j = 1,...n i }, (28) O : T P, O(t i ) = {p j P (t i, p j ) F és j = 1,...m i }. (29) Jelölők A tokenek egy tetszőleges eloszlásást a helyeken jelölőnek (marking), a tokenek kezdeti eloszlásást kezdeti jelölőnek (initial marking) nevezzük és M 0 -lal jelöljük. p1 t1 p2 p4 t2 p3 7. ábra. Petri háló jelölőkkel Az M : P N jelölő függvény (marking function) megadja a tokenek eloszlását egy háló adott állapotában. Egy Petri háló egy kezdeti jelölővel PN = (N, M 0 ) rendezett párossal adható meg. Átmenetek tüzelése Egy átmenet tüzelési szabályai az alábbiak: 1. Egy t j átmenet engedélyezett (enabled), ha van legalább w(p i, t j ) token a t j átmenet minden p i bemeneti helyén: M(p i ) w(p i, t j ), p i P ahol w(p i, t j ) az él súlya. 33

45 2. Egy engedélyezett átmenet tüzelhet vagy nem tüzelhet attól függően, hogy az átmenet által modellezett esemény a valós rendszerben bekövetkezik-e vagy sem. 3. A t j átmenet tüzelésekor egy hely jelölő függvényének értéke csökken a helyből a t j átmenetbe irányított él súlyával; és növekszik azzal az élsúllyal, amely él a t j átmenetből indul és az adott helyben végződik: M (p i ) = M(p i ) w(p i, t j ) + w(t j, p i ), p i P A 8. ábrán egy egyszerű Petri háló tokeneloszlása látható a t 1 átmenet tüzelése előtt és után. p1 p1 t1 t1 p2 p4 p2 p4 t2 t2 p3 p3 8. ábra. Petri háló t 1 átmenet tüzelése előtt és után Petri hálók analízise Egy Petri háló sokkal több, mint csupán egy rendszer struktúrális leírása: a hálók működtethetők (futtathatók). Ezek a szimulációk (futtatások) információt szolgáltatnak a rendszer dinamikájáról, amelyeket egy statikus modell vizsgálatából sosem határozhatnánk meg. Rendszerelméleti szempontból az ún. diszkrét eseményű rendszerek [27], azaz a diszkrét idejű, diszkrét értékkészletű rendszerek dinamikus viselkedése írható le Petri hálókkal. Petri hálók analízis problémái A Petri hálók tulajdonságai két fő csoportra oszthatók: viselkedési (behavioural) vagy jelölő-függő tulajdonságok és szerkezeti (structural) tulajdonságok, amelyek függetlenek a kezdeti jelölőtől, azaz a kezdeti állapottól. A legfontosabb Petri háló tulajdonságok: Viselkedési tulajdonságok: kezdeti jelölőtől függnek (ezek a legérdekesebb tulajdonságok) elérhetőség (reachability) korlátosság (boundedness) 34

46 ütemezhetőség (schedulability) élőség (liveness) megmaradás (conservation) Szerkezeti tulajdonságok: nem függnek a kezdeti jelölőtől (gyakran túl korlátozott) konzisztencia (consistency) szerkezeti korlátosság (structural boundedness) hely és átmenet invariánsok (place and transition invariants) A Petri hálók tulajdonságairól részletesebben például Murata (1989) [81] cikkében olvashatunk Kiterjesztett Petri hálók Az eredeti, alacsony szintű Petri hálóknak különféle kiterjesztései léteznek az alkalmazási terület igényeinek megfelelően. Részletesebben tárgyalom a hierarchikus és a színezett Petri hálókat, a további kiterjesztési lehetőségekről pedig egy rövid áttekintést adok. Hierarchikus Petri hálók Elég gyakran a Petri háló modellek hatalmas méreteket öltenek, ezért az áttekinthetőség és használhatóság miatt felmerült az igény, hogy kisebb Petri háló modellek felhasználásával állítsuk elő az összetettebb rendszermodellt, vagy a bonyolult modelleket kisebb modellelemekre bontsuk. Az ötlet könnyen megvalósítható helyettesítő csomópontok (substitution node) bevezetésével, amely egy hely vagy egy átmenet vagy egy hely-átmenet kombináció lehet. A helyettesítő csomópontok kapcsolódnak egy-egy rész-modellhez (submodel) és reprezentálják annak működését. Az így felépített Petri hálókat hierarchikus Petri hálóknak (hierarchical Petri net) nevezzük. A rész-modell általában teljesen lecseréli a helyettesítő csomópontot és az azt körülvevő éleket. p fill_up t reaction p ready p ra t adda p A t heat p react t cool t fill p filled p rb t addb p B 9. ábra. Petri háló elemeinek dekompozíciója A rész-modellek jól definiált módon [51, 71, P4] kapcsolódnak egymáshoz. Ezek a hierarchia konstrukciók egyáltalán nem függetlenek egymástól, gyakran lehetőségünk van választani közülük annak függvényében, ahogy az aktuális modellezési célt teljesítsük. A hierarchikus konstrukciók a következők: 35

47 átmenet helyettesítése (substitution transition), hely helyettesítése (substitution place), hely-átmenet pár helyettesítése (substitution place-transition pair). A helyettesítő csomópontok (substitution nodes) ötlete megengedi a felhasználónak, hogy a csomóponthoz egy összetettebb Petri hálót kapcsoljon, amelyet részhálónak (subnet) nevezünk. A részháló általában egy sokkal pontosabb és részletesebb leírását adja a helyettesített csomópont által reprezentált tevékenységnek. Egy magas szinten modellezett rendszernek az áttekintő Petri hálója az ún. főháló (supernet), amely egy Petri háló mindenféle részhálók behelyettesítése nélkül. Az egész Petri hálót, amely tartalmazza a összes részhálót, teljes hálónak (complete net) nevezzük. Németh et al. (2004) [P4] közleményében megtalálható a részháló halmazainak pontos formális definíciója, értelmezése és kapcsolata a főháló halmazaival. Színezett Petri hálók A színezett Petri háló (coloured Petri net) [64, 61] az alacsony szintű Petri háló kiterjesztése oly módon, hogy a tokenek között különbséget teszünk. Kezdetben csak színes pontokkal különböztették meg tokeneket, de az idő előrehaladtával már adattípusok, majd komolyabb adatstruktúrák jellemeznek egyegy tokent. Ezzel a kiterjesztéssel sokkal összetettebb, bonyolultabb modelleket is képesek vagyunk leírni tömör formában. A formális definíció szerint egy színezett Petri háló (CPN) [61] egy rendezett 9-es: CPN = (Σ, P, T, A, N, C, G, E, IN) amely teljesíti az alábbi követelményeket: (i) Σ nem-üres típusok véges halmaza, ezeket színhalmazoknak (colour sets) nevezzük (ii) P helyek véges halmaza (iii) T átmenetek véges halmaza (iv) A az élek véges halmaza, P T = P A = T A = (v) N : A (P T) (T P) csomópont függvény (node function) (vi) C : P Σ színfüggvény (colour function) (vii) G őr függvény (guard function). Az őr függvények a T halmaz elemeihez definiált kifejezések úgy, hogy t T : [Type(G(t)) = Bool Type(V ar(g(t))) Σ] (viii) E él függvény (arc function). Az él függvények az A halmaz elemeihez definiált kifejezések úgy, hogy a A : [Type(E(a)) = C(p(s)) MS Type(V ar(e(a))) Σ] ahol p(a) az N(a) helye és C MS jelöli az összes C feletti multi-halmaz halmazát 36

48 (ix) IN egy kezdeti függvény (initialization function). Ezt a P halmaz elemeihez definiált kifejezésekkel adjuk meg úgy, hogy p P : [Type(IN(p)) = C(p(s)) MS V ar(in(p)) = ] ahol: Type(expr) jelöli egy kifejezés típusát, V ar(expr) jelöli egy kifejezésben lévő változók halmazát, C(p) MS jelöl egy C(p) feletti multi-halmazt. Egy t átmenet kötése (binding) egy b függvény, amely a V ar(t)-n definiált a következőképpen: (i) v V ar(t) : b(v) Type(v), (ii) G(t) <b> jelöli a G(t) őrkifejezés kiértékelését egy b lekötésben. Egy token elem (token element) egy (p, c) rendezett pár, ahol p P és c C(p). Egy kötési elem (binding element) egy (t, b) pár, ahol t T és b B(t). B(t)-vel jelöljük t összes lekötésének halmazát. Az összes token elemet T E-vel, míg az összes kötési elemet BE-vel jelöljük. Egy jelölő (marking) egy T E feletti multi-halmaz, míg egy lépés (step) egy nemüres véges multi-halmaz BE felett. Az M 0 kezdeti jelölő (initial marking) egy olyan jelölés, amelyet a kezdeti kifejezések kiértékelésével kapunk. Egy átmenetet engedélyezettnek (transition is enabled) nevezünk, ha minden egyes bemeneti helye ugyanazt a bemeneti élen definiált multi-halmazt tartalmazza (lehetőleg egyesítve az őrfeltétellel) és az őrfeltétel igazra értékelődik ki. Amikor egy átmenet engedélyezett, akkor megtörténhet (occur), és ez azt jelenti, hogy a bemeneti helyekről a tokeneket elvesszük és a végrehajtódó átmenet kimeneti helyeihez adjuk. A tokenek színe és száma az élkifejezések által meghatározott, és a kötések végrehajtásával értékelődnek ki. Az alacsony Petri hálókra definiált fogalmak itt is megmaradnak, de a színhalmaz bevezetésével módosulnak. Erről részletesebben Jensen (1997) [61, 62, 63] háromkötetes könyvsorozatában olvashatunk. A színezett Petri hálókról egy rendszerezett oldal található a University of Aarhus Department of Computer Science (Dánia) honlapján [8]. Időzített Petri hálók Egy rendszer viselkedésének pontosabb leírásához szükséges lehet az események sorrendjén kívül időkésleltetési adatok megadása is, amely adatok döntő hatást gyakorolnak az időbeli lefolyásra. Az idő (time) bevezetésével a Petri hálók egy új osztályát kapjuk, melyet időzített Petri hálónak (timed Petri net) nevezünk. Sztochasztikus Petri hálók Az időzített Petri hálók továbbfejlesztett változatai a sztochasztikus Petri hálók. Sztochasztikus idők és valószínűségek alkalmazásának lehetőségével a Petri hálók egy általánosabb kiterjesztését kapjuk. 37

49 Folytonos Petri hálók Diszkrét helyek és átmenetek helyett lehetőség van folytonos helyek és átmenetek alkalmazására. Ilyenkor a jelölőhalmaz nem egy véges halmaz, hanem valós értékű tokeneket alkalmazunk, a folytonos átmentek pedig folyamatosan tüzelnek, ha van bemenetük. Hibrid Petri hálók Hibrid Petri hálóról beszélünk, ha a diszkrét elemek mellett a folytonosak is megjelennek. Ilyenkor általában a diszkrét rész valamilyen diszkrét beavatkozást vagy eseményt jelöl egy folytonos rendszermodell esetében. Egyéb Petri hálók A fentebb részletezett Petri háló kiterjesztések mellett megtalálhatjuk azok kombinációját is, úgy mint színezett időzített hierarchikus Petri háló vagy hierarchikus hibrid Petri háló, stb Petri hálók diagnosztikai alkalmazásai A színezett Petri háló modellek alkalmasak különböző modellezési módszerek (pl. ok-okozati szabályokat alkalmazó modell-alapú következtetés) felhasználásával diagnosztikai problémák modellezésére. Elsőként Portinale (1993) [90] közölt megoldást a diagnosztikai problémák Petri háló alapú modellezésére és megoldására abban az esetben, ha a diagnosztikai problémát datalog szabályok [45] formájában modellezzük. Ebben az esetben a helyeket a belső hibaállapotok, a meghibásodásokat a forrás átmenetek, a megfigyelhető hibajelzéseket pedig a nyelő átmenetek reprezentálják. A forrás és a nyelő átmeneteket összekötő Petri háló a hiba terjedési folyamatait írja le. A Petri háló alapú diagnosztikai rendszerben a tokenek a forrás átmenetektől indulnak, a nyelőkig terjednek, és ezután távoznak a rendszerből. Így a diagnosztikai probléma átmenet invariánsok kiszámításával oldható meg mátrix eliminációs technikák felhasználásával. Szücs et al. (1996, 1998) [106, 107] közleményeiben egy olyan Petri háló alapú intelligens diagnosztikai rendszert ismertet, amely esemény-orientált diagnosztikai módszertanon nyugszik. A vizsgált meghibásodásokban a folyamatrendszer dinamikus viselkedését ok-okozati események sorozataként Petri háló segítségével írja le. Egy tanulási módszer felhasználásával a részlegesen nem ismert dinamikus modell részeket a megfigyelt eseménysorozattal finomítani lehet. A valós idejű diagnosztika a folyamatrendszer színezett Petri háló modelljén, az elvárt működési folyamatok és a megfigyelt eseménysorozatok összehasonlításán alapszik. A Petri hálók hibadiagnosztikai felhasználásának egy másik módja az összefüggő hibafák ábrázolása és azok elemzése. Ezzel a tématerülettel foglalkozik Zouakia et al. (1999) [126] közleménye, amelyben nem csak a hibafák Petri hálóval való leírását tárgyalja, hanem egy új algoritmust mutat be összefüggő hibafák minimális vágások halmazának meghatározására. Figyelmet szentel a nagy méretű hibafák kezelésének komplexitási problémájára, amelyet modularizálással és hierarchiákba szervezéssel old meg. Petri hálók alkalmazásának lehetőségét az eset alapú következtetés (case-base reasoning, CBR) hibadiagnosztikára való alkalmazásában Yang et al. (2004) [122] vizsgálták. Egy olyan intelligens Petri háló alapú CBR rendszert valósítottak meg, 38

50 amely képes új adatot felülvizsgálni vagy hozzáadni az esetbázishoz, és visszakeresni lehetséges esetet. Az általuk felhasznált CBR előnye, hogy nem kell semmilyen komplikált szabályok formájában általánosítani a tudást. Az összetett rendszer új meghibásodási esetek hozzáadásával pontosabb megoldásokra képes. CBR rendszerekben a Petri hálók alkalmazása lehetőséget biztosít az adatok revíziójára. Petri hálók más mesterséges intelligencia területén alkalmazott technikákkal kombinálva (például fuzzy következtetések [85], neurális hálók [91]) szintén lehetőséget biztosítanak hibadiagnosztikai felhasználásra. Ezen esetekben a Petri háló általában csak egy keretrendszer, amelyben az alkalmazott technikák felhasználásra kerülnek. A gráfelméleti alapon nyugvó előjeles irányított gráfot (signed directed graph, SDG) is alkalmazzák a hibadiagnosztikában. Az SDG egy kvalitatív modellezési módszer, amely ok-hatás kapcsolatok leírására alkalmas. Az SDG ok-okozati ismeretek leírására széles körben alkalmazott eszközök a hibadiagnosztika területén. Egy áttekintést találhatunk az SDG-k hibadiagnosztika területén történő alkalmazásáról Venkatasubramanian et al. (2003b) [115] közleményében. Néhány közlemény [111, 101, 118] foglalkozik Petri háló modellek automatizált HAZOP analízisre való felhasználásával, amelyben HAZOP-digráf (HDG) modelleket használnak fel a diagnosztikai feladat végrehajtásához. A HDG tekinthető úgy, mint az SDG egy kiterjesztése, ahol az SDG-ben szereplő, a folyamatrendszer változóit reprezentáló csomópontokon és a változók közvetlen kapcsolatait definiáló éleken kívül a HDG tartalmazza a hazárd azonosításához szükséges abnormális ok és káros következmény csomópontokat is, amelyeket a HAZOP analízishez használnak. Ezek a csomópontok kapcsolódnak a folyamatváltozókhoz. A HAZOP analízis a megfelelő HAZOP vezényszavak felhasználásával a folyamatváltozókban szereplő devianciák generálásával indítva és a HDG-n végigterjesztve az összes lehetséges káros következmény megtalálásával történik. Többszörös hibák detektálásának problémakörét Vedam and Venkatasubramanian (1997) [114] közleménye tárgyalja. Az irodalomban fellelhető közlemények között találhatók olyanok is, amelyekben szintén Petri háló modelleket alkalmaznak automatizált HAZOP analízisre [101, 112, 102], azonban a teljes diagnosztikai rendszert valamilyen szakértői rendszer környezetben implementálták Egy színezett Petri háló alapú diagnosztikai keretrendszer A diagnosztikai keretrendszer elemei Mint azt már a alfejezetben bemutattam, a diagnosztikai rendszerben szereplő ismeretek egyrészt a rendszert leíró modellt, másrészt a HAZOP táblából származó információkat tartalmazzák. A színezett Petri hálón alapuló diagnosztikai keretrendszerben mindkét típusú ismeretet CPN formában ábrázoltam, így egy homogén rendszerhez jutottam. A szimptómák, a gyökér okok és a rendszer modell egymástól tisztán elkülöníthetők, de megmaradnak a köztük lévő kapcsolatok. 39

51 A keretrendszer szerkezete A javasolt többléptékű diagnosztikai rendszer megvalósításához az alábbi specifikus tudáselemek szükségesek: szimptómák, gyökér okok és megelőző beavatkozások, hierarchikus (többléptékű) modell. A fenti tudáselemek közötti HAZOP táblából származó ok-okozati kapcsolatok ifthen alakú szabályokkal írhatók le. A CPN modellben elválasztható az alábbi három információtípus, amelyet három rétegben különítettem el [P1, P3, P5]: hierarchikus modell (többléptékű modell) réteg, szimptóma azonosítás réteg, gyökér okok meghatározása réteg. Hierarchikus modell Szimptóma azonosítás Gyökér okok meghatározása 10. ábra. Rétegek és kapcsolataik a hierarchikus CPN modellben A 10. ábrán látható a három réteg és a köztük lévő kapcsolatok. A rétegek közötti információcserét összevont helyekkel (fusion place) valósítottam meg, amelyek megosztják az értékeiket a megfelelő rétegek között. A hierarchikus modell egy mérhető vagy megfigyelhető változója egy összevont halmaz (fusion set) elemeként továbbítja az értékét a szimptóma azonosítás réteghez. Ehhez hasonlóan a felismert szimptómák további feldolgozásra továbbítódnak a gyökér okok meghatározása réteghez. A gyökér okok meghatározása után a HAZOP tábla ismereteit használom fel, hogy szükséges beavatkozás(oka)t találjak, amely(ek) visszaviszi(k) a rendszert a normális működési tartományába, mielőtt még a kritikus meghibásodások vagy hibák bekövetkeznének. 40

52 A keretrendszer működése A predikciós diagnosztikai rendszerben a modell alapú hiba detektálás, a diagnosztika és a veszteségmegelőzés lépései egy ciklusba szerveződnek, amelynek fő lépései a következők: (1) Mérések begyűjtése és szimptóma detektálás A vizsgált rendszerből érkező mért jeleket és a köztük lévő kapcsolatokat felhasználva a lehetséges szimptómákat határozza meg. (2) Hiba detektálás A detektált szimptómákhoz kapcsolódó releváns hierarchia szintet és/vagy rész-modellt találja meg felhasználva a modell és a HAZOP táblában szereplő információk hierarchiáját és kapcsolatát leíró Petri háló elemeket. Azután a lehetséges oko(ka)t határozza meg a Petri hálóval modellezett logikai kapcsolatokkal. Figyelembe veszi azt is, ha egy egyszerű okhoz összetett szimptóma, vagy ha egy egyszerű szimptómához több ok tartozik. Ezeken kívül a lehetséges okokhoz tartozó lehetséges megelőző beavatkozásokat is meghatározza. (3) Veszteségmegelőzés A detektált hibá(k)hoz minden lehetséges megelőző beavatkozásra javaslatot tesz, amellyel a rendszert visszaviszi a normális működési tartományba. (4) vissza az 1. lépéshez. A fenti ciklikus folyamat minden egyes diagnosztikai időlépésben egyszer hajtódik végre. A diagnosztikai eljárás lépései és azok kapcsolata a diagnosztikai rendszer további elemeivel Petri háló elemek formájában reprezentáltak, így a Petri háló működése valósítja meg a diagnosztikai lépéseket Predikció A veszteségmegelőzés lépésben a lehetséges megelőző beavatkozások kipróbálása dinamikus szimulációval megvalósított predikció segítségével történik. A predikcióhoz szükséges a diagnosztizálandó folyamatrendszert reprezentáló modell, amely általában koncentrált paraméterű (nemlineáris) folytonos idejű állapottér modell formájában adott. A rendszer dinamikus viselkedésének Petri hálóval történő analíziséhez a modell következő diszkrét idejű formájára van szükségünk: x(k + 1) = f(x(k), u(k)), x(0) = x 0 y(k) = g(x(k), u(k)), ahol x az állapotvektor, u a bemeneti vektor, y a kimeneti vektor, x(0) a kezdeti feltétel, f az állapotfüggvény, g a kimeneti függvény, k az idő. A színezett Petri háló modellek alkalmasak a hierarchikus modellek leírása mellett a színezések felhasználásával elég finom kvalitatív modellek kezelésére is. Ezért 41

53 P In INT Binder_1 P In Binder_2 INT P In Binder_3 INT P water water In LSTREAM LSTREAM LSTREAM InStream stream Gran_1 Stream_1 stream Gran_2 Stream_2 stream water Gran_3 LSTREAM stream stream Stream_2 transfer P Out LSTREAM stream OutStream HS Gran_i#7 Stream_1->Output InStream->Input Binder_1->Binder HS Gran_i#7 Stream_2->Output Stream_1->Input Binder_2->Binder HS Gran_i#7 Stream_2->Output Binder_3->Binder Stream_2->Input Gran_exit _stream FG LSTREAM Gran_exit_ stream stream 11. ábra. A granulátor dob CPN részhálója a predikcióhoz felhasznált diszkretizált modellt Petri háló formájában valósítottam meg, ahol a helyek reprezentálják a modellben szereplő változókat, az élek és az átmenetek pedig leírják a változók közötti kapcsolatot (a differencia és az algebrai egyenleteket). A 11. ábra a granulátor dob modelljének felső szintjét leíró Petri hálót mutatja be. A rendszermodell leírható hierarchikus formában is a diszkretizált modell méretétől és a szerkezetétől függően. Az ilyen módon megvalósított Petri háló modellt használtam fel a valós rendszer szimulációjához illetve egy másik példányát (amely lehet egyszerűsített modell is) pedig a lehetséges beavatkozások hatásának predikálásához. A valós rendszer szimulációjára a Petri háló modell helyett külső szimulátor is alkalmazható, amely interfésszel (TCP/IP protokoll felhasználásával) kapcsolódik a diagnosztikai Petri háló-rendszert tartalmazó szoftverhez Esettanulmány: színezett hierarchikus Petri háló alapú granulátor diagnosztikai rendszer Az ismertetett módszert és a Petri háló alapú diagnosztikai rendszer prototípusát [P1, P3, P5] egy műtrágyagyártó granulátor körön mutatom be. A diagnosztikai rendszer megvalósításához a Design/CPN [3] színezett Petri hálók felhasználására készült eszközt választottam, amely háló építés mellett támogatja a szimulációt, az elérhetőségi gráf építést és az analízist A granulátor diagnosztikai rendszer elemei A ábrákon egy-egy példa látható CPN részhálóra a alfejezetben elkülönített három rétegre, azaz a modell, szimptóma azonosítás és gyökér okok meghatározása rétegekre. Az egyes rétegek között a ábrákon az FG-vel (fusion group) jelölt összekapcsolt helyek valósítják meg az információcserét. A 11. ábrán látható a granulátor dob felső szintű modellje. A helyek reprezentálják a rendszer bemeneti-, kimeneti- és állapotváltozóit, a helyettesítő átmenetek pedig leírják a granulátor dobban lezajló folyamatokat. 42

54 LSTREAM null(5) d50 d50 Locate_ d50 C head::list.take(d50,4) stream LSTREAM Distrib_ function 2 stream_1 Calculate C LSTREAM Gran_exit _stream FG stream Gran_exit_ stream stream Symptom d50 C up2 stream down2 down up BOOL d50 DOWN false d50 UP BOOL false D50_LES FG S 2 true 1 true D50_MO FG RE BOOL New_ Data_ Available 1 true GSD_LEF FG T stream left_2 GSD LEFT GSD LEFT/ RIGHT C GSD GSD LSTREAM null(5) GSD right_1 left_1 right_2 BOOL BOOL false GSD RIGHT GSD_RIG FG HT false 12. ábra. A szimptóma azonosítás réteg egy CPN részhálója A 12. ábrán egy példa látható a szimptóma azonosítás réteg egy részére. A példa a granulátor dobból kilépő részecskefolyam (Gran_exit_stream hely) értékéből meghatározza a részecske méret eloszlást (Distrib_function hely), majd kiszámítja annak középértékét (d50 hely). A Symptom d50 átmenet ellenőrzi, hogy a d50 változó értéke elmozdult-e felfelé vagy lefelé, és ekkor a megfelelő szimptómát reprezentáló helyre (d50 DOWN vagy d50 UP) egy token kerül. A szimptómáknak megfelelő helyek összevont helyek, így továbbítódik a szimptóma megjelenése a gyökér okok meghatározása rétegekbe. A 13. ábrán szemléltetem a gyökér okok meghatározása réteg egy töredékét. A d50 LESS hely, amely a szimptóma azonosítás rétegben szereplő d50 LOW hellyel van összevonva, a d50 = LESS szimptómának felel meg. Hasonlóan az RR MORE hely is egy szimptómát reprezentál, amely a Recycle = MORE szimptómával azonosítható. Ha ezen a két helyen egyidejűleg token található, akkor ez azt jelenti, hogy ezen szimptómák kombinációja bekövetkezett a diagnosztizált rendszerben. Ezt tovább vezetve a Petri hálón azt kapjuk, hogy a Binder flow LESS hely által reprezentált Binder flow less okot találja meg, melyhez a javasolt beavatkozás a Binder-flow-rate rendszerváltozó értékének megnövelése Ismeretek reprezentálása Egy szimptómát, amely a HAZOP tábla első két oszlopával fejezhető ki, a diagnosztikai rendszer Petri hálójában egy hellyel reprezentáltam. A HAZOP táblából visszafejtettem a lehetséges okokat és meghatároztam a szimptómák és a gyökér okok közötti logikai kapcsolatokat, amelyet 14. ábrán láthatunk. Ezeket a HAZOP táblákon értelmezhető logikai kapcsolatokat írtam le Petri háló segítségével. Végezetül a gyökér okokhoz rendeltem a beavatkozási lehetősége(ke)t. 43

55 v_drum_l ESS FG v_drum LESS BOOL GSD_LEF FG T GSD LEFT BOOL RR_MOR FG E RR MORE BOOL D50_LES FG S d50 LESS BOOL D50_MO RE FG BOOL d50 MORE b2 b1 b3 b1 b1 b2 AND b2 AND [b1 andalso b2] b1 [b1 andalso b2] true BOOL AND true BOOL Tech [b1 andalso b2] b2 Tech OR b1 OR b2 true BOOL Tech [b1 orelse b2] [b1 orelse b2 orelse b3] true true true true BOOL Granulator Exit Flow LESS BOOL Granulator RetentionTi Time LESS BOOL Granulator Moisture Content LESS Binder Flow LESS BOOL b1 b1 b1 b3 b2 b1 old_value v_drum FG Up v_drum [b1] new_value INT v_drum Up FreshFeed FlowRate [b1] Down FreshFeed FlowRate [b1] old_value new_value old_value INT new_value FreshFeed Flow Rate FFFR FG old_value Up Binder Flow Rate [b1 orelse b2 orelse b3] new_value INT Binder Flow Rate BFR FG 13. ábra. A gyökér okok meghatározása réteg egy CPN részhálója 44

56 NONE Granulator exit size MORE Granulator retention time MORE Granulator moisture content MORE Binder flow MORE Fresh feed size MORE Granulation drum speed MORE Fresh feed flow MORE Granulator exit flow distribution WIDE MORE GSD LEFT GSD LESS RR MORE d50 LESS PSDRec MORE vg_drum MORE FFFR WIDE GSD LESS vg_drum LESS FFFR LEFT GSD MORE RR LESS d50 LESS GSD LESS BFR NONE BFR NONE vg_drum NONE GEF NARROW GSD NONE GEF NONE FFFR Level Granulation drum speed LESS Granulation exit flow LESS Fresh feed flow LESS Granulator retention time LESS Granulator moisture content LESS Binder flow LESS Granulator exit size LESS Binder flow NONE Granulation drum speed NONE Granulator exit flow distribution NARROW Granulation exit flow NONE Granulator retention time NONE Fresh feed flow NONE 14. ábra. Szimptómák és gyökér okok kapcsolata Diagnosztikai eredmények A fejezetben ismertetett hierarchikus színezett Petri hálókon alapuló rendszert használtam fel a granulátor dob működésének szimulációjára, valamint diagnosztikai célból szimptóma detektálásra és gyökér okok meghatározására. A fejezetben bemutatott módszer lépéseinek és eljárásainak illusztrálására egy összetett esetet mutatok be, amely több szimptóma együttes detektálásán és kezelésén alapul. Vizsgáljuk meg azt az esetet, amikor a rendszer a következő szimptómákat detektálja (felhasználva a 4. táblázat jelöléseit és a 6. HAZOP tábla részletet): ((d 50 Less) and (RR More)) or (GSD Shift Left) A szimptóma detektáláskor a szimptóma azonosítás rétegben a d50 = LESS és Recycle = MORE szimptómáknak megfelelő helyeken igaz értékek szerepelnek, amelyek a gyökér okok meghatározása réteg megfelelő helyein megjelennek. A 14. ábrán láthatók azok a logikai kapcsolatok, amelyekkel a lehetséges gyökér ok(ok) meghatározhatók. Ezek a HAZOP táblákban szereplő információkból alakíthatók ki. A logikán látható, hogy ha a (d 50 Less) és (RR More) szimptómák logikai ÉS kapcsolatát kombináljuk a (GSD Shift Left) szimptómával, az két lehetséges okhoz vezet: (1) Binder flow LESS, (2) Granulator moisture content LESS. A mérnöki intuíció azt sugallja, hogy a két ok kapcsolatban lehet egymással: a (2) ok egy következménye lehet az (1) oknak. A szükséges beavatkozások ezekben az esetekben: (1a) Check and increase the binder flow rate, 45

57 (2a) Check and increase the binder flow rate. A szükséges beavatkozásokból is látható, hogy a két okhoz ugyanazon beavatkozás tartozik. További vizsgálat során tekintsük azt az esetet, amikor a szimptómák előbb vizsgált kombinációját együtt detektáljuk a (v g_drum Less) szimptómával. Ekkor még egy lehetséges ok jelenik meg: (1 ) Granulator exit flow Less. A szükséges beavatkozás ebben az esetben: (1 a) Check the hopper level OR check and increase drum speed OR Check and increase the binder flow rate (ez utóbbi beavatkozás ugyanaz, mint az (1a) illetve (2a)). Az (1 a) beavatkozással kapcsolatban fontos megjegyezni, hogy az ipari üzemekben a granulátor dob forgási sebessége nem változtatható, azonban a dob forgási sebességének megváltozása egy hiba lehet a rendszerben a motor részleges meghibásodása következtében. A 6. táblázatbeli HAZOP tábla részlet alapján általános esetben az azonosított gyökér okoknak megfelelő javasolt beavatkozások különbözőek. A bemutatott esettanulmány első részében azonban az azonosított (1) és (2) gyökér okokhoz tartozó lehetséges beavatkozások megegyeznek, míg a második (1 a) esetben már nem egyértelműek a lehetséges megfelelő beavatkozások. Ezért felmerül a kérdés, hogy ez utóbbi esetben hogyan válasszuk ki a megfelelő megelőző beavatkozást. Egyik lehetséges megoldás az összes lehetséges megelőző beavatkozás kipróbálása külön-külön vagy kombinálva a szimulációs környezetben dinamikus szimuláció (például predikció) alkalmazásával, amely alapján kiválasztható a legjobb minőségű beavatkozás. Ez az üzem operátorának tanácsokat adhat egy akció lista formájában. Egy másik alternatívaként ellenőrizhető és kiterjeszthető az eredeti HAZOP tábla Következmény listája a beavatkozások nélküli szimulációk végrehajtásával. A fenti példában szereplő okok közötti feltételezett ok-okozati viszonyok így szimulációval feltérképezhetőek lennének A színezett Petri háló alapú diagnosztikai rendszer lehetséges alkalmazási módjai A fenti diszkussziót általánosíthatjuk abból a célból, hogy feltárjuk a javasolt színezett Petri háló alapú diagnosztikai rendszer lehetséges alkalmazási módjait. Az előző alfejezetben láthattuk, hogy a bemutatott CPN alapú diagnosztikai módszer két különböző, de egymással kapcsolatban lévő célra is felhasználható, amelyek az alábbiak. (1) A diagnosztikai rendszer a megfelelően struktúrált dinamikus rendszer leíráson keresztül jó áttekintést ad a különböző rendszerhibákról és meghibásodásokról, azok tovaterjedéséről és hatásaikról. Ezen problémák megoldása HAZOPdigráf modellek alkalmazásával már korábbi közleményekben (pl. [101, 112]) 46

58 megjelent, ahol a HDG szerkezetéből adódóan vizsgálhatók a meghibásodások lehetőségei. Ezek a vizsgálatok más, az általam bemutatott struktúrált rendszer leírással is megvalósíthatók lennének. (2) A diagnosztikai módszert alkalmazva verifikálhatóak és validálhatóak a HAZ- OP eredmény táblában szereplő információk, eltávolíthatóak a nem szükséges információk, és a szimuláció által szolgáltatott új adatokkal a HAZOP eredmény táblák kiegészíthetők. A fentiek megvalósítása a dolgozatomban bemutatott kutatási eredmények lehetséges továbbfejlesztési irányait jelöli ki Összefoglalás Ebben a fejezetben a színezett hierarchikus Petri háló alapú predikción alapuló diagnosztikával kapcsolatos fogalmakat, módszereket és saját kutatási eredményeimet ismertettem a [P1], [P2], [P3], [P4] és [P5] közlemények alapján. A Petri háló alapú diagnosztikai rendszer struktúráját és tudáselemeit tárgyalja a alfejezet. A diagnosztikai rendszerben használt információkat három rétegben különítettem el az információk típusa szerint: a hierarchikus (többléptékű) modell réteg, a szimptóma azonosítás réteg és a gyökér okok meghatározása réteg. A rétegeken belüli elemek a többléptékű modell hierarchiáját követik. A HAZOP táblából származó információkat if - then alakú szabályokká alakítottam, amelyek jól reprezentálhatók Petri hálóval. A szabályokban szereplő ok-okozati kapcsolatokat leíró predikátumok impliciten egymáshoz láncolják a szabályokat, ezáltal a HAZOP táblában szereplő ok-okozati viszonyok Petri háló formájában jól leírhatók. A diagnosztikai rendszer működését a Petri háló működése írja le. Az ismertetett módszert és a prototípus rendszert egy granulátor körön mutattam be a 3.3 alfejezetben. A diagnosztikai rendszer megvalósításához a Design/CPN színezett Petri hálók építésére és használatára készült szoftver csomagot választottam, amely támogatja a hierarchikus modellépítést és a szimulációt. 47

59 4. fejezet Predikción alapuló diagnosztika szakértői rendszerrel A predikción alapuló diagnosztika a valós idejű diagnosztikai rendszerekben használatos egyik legjobb megközelítés, amely felhasználja a diagnosztizálandó üzem dinamikus, kvalitatív és/vagy kvantitatív rendszer modelljét. A nagyméretű és bonyolult rendszerek esetében a diagnosztikához rendelkezésre álló információk különböző forrásokból (például az üzemben működő folyamatfelügyelő számítógépes rendszer által mért adatok, operátori megfigyelések, tervezési alapadatok, szakértői értékelések stb.) származnak. Ezért szükséges egy intelligens diagnosztikai eszköz, amely képes: - együtt kezelni a heurisztikus és az elméleti ismereteket, - szisztematikus eljárásokat (következtetéseket) használ heurisztikus szabályokkal ötvözve, - következtet többszörös hiba hipotézisek esetén, - tanácsot ad megelőző beavatkozási stratégiákra. Ezen igények figyelembe vételével a predikción alapuló diagnosztikai rendszert célszerű olyan szakértői rendszerrel megvalósítani, amely képes kezelni a modell-alapú on-line hiba detektálást, diagnosztikát és a veszteségmegelőzést még igen nagyméretű folyamatrendszerek esetében is. Ebben a fejezetben egy saját fejlesztésű diagnosztikai szakértői rendszert mutatok be, amely on-line diagnosztikára és veszteségmegelőzésre használható. A rendszert G2 valós idejű szakértői keretrendszerben [30] valósítottam meg. A diagnosztikai ok-következmény szabályokat és a lehetséges beavatkozásokat a HAZOP analízis eredményeiből állítottam elő. A rendszer szabálybázisa hierarchikusan strukturált, amelyet a rendszer többléptékű folyamatmodell szerkezete határoz meg. A diagnosztikai rendszert egy granulátor üzem példáján mutatom be Szakértői rendszerek A hetvenes évek elején fejlesztették ki az ismeretalapú technológiát, amelynek felhasználásával a kutatók az általános problémamegoldó programok [37] helyett speciális szakismeretet igénylő feladatokat elvégző rendszereket dolgoztak ki. Az ismeretalapú rendszerek [104] közül elsőként a szakértői rendszerek [60] terjedtek el 48

60 szélesebb körben. Ebben az alfejezetben áttekintést adok a szakértői rendszerekkel kapcsolatos fogalmakról és módszerekről Ismeretalapú technológia Az ismeretalapú rendszerek (knowledge-based system) [104] a hagyományos szoftverektől eltérő programszerkezettel rendelkeznek, a problématerületet leíró ismeretek a rendszer többi részétől elkülönítve, az ún. ismeretbázisban (tudásbázisban, knowledge base) tárolódnak. Ekkor a feladatmegoldás, amelynek motorja a következtetési módszereket realizáló következtető gép, az aktuális feladatmegoldási szituációtól függő módon a tudásbázisból kiválasztott ismeretdarabok végrehajtásával megy végbe. Az ismeretalapú rendszerek közül azokat, amelyek szakértői ismeretek felhasználásával egy szűk problémakörhöz kapcsolódnak, szakértői rendszereknek (expert system, ES) [60] nevezzük. Egy szakértői rendszertől elvárjuk, hogy egy szakértőhöz hasonlóan javaslatokat adjon, javaslatait indokolja, a felhasználó kérdéseit megválaszolja ( egyenrangú beszélgető partner ), a kérdéseket megmagyarázza, bizonytalan szituációban elfogadható javaslatot adjon. A szakértői rendszereket olyan területen alkalmazzák, ahol kellő mélységű szakértelemre van szükség. Az ismeretalapú rendszerek fejlesztői felismerték, hogy az elkészült rendszereket könnyen fel lehet használni ugyanolyan struktúrájú tudásbázissal rendelkező más, további rendszerek fejlesztésére. Így az alkalmazások fejlesztése mellett az ismeretalapú keretrendszerek, shellek fejlesztése is hangsúlyt kapott. A keretrendszerek üres tudásbázissal rendelkező héjak, amelyek erőteljes tudásbázis fejlesztő alrendszerek és tárgyterülettől független szolgáltatásokat nyújtanak szakértői rendszer létrehozásához és működtetéséhez Az ismeretalapú rendszerek struktúrája Az ismeretalapú rendszereknek három fő komponense van [39], amelyet a 15. ábra szemléltet: ismeret-/tudásbázis, következtető gép, eset specifikus adatbázis (munkamemória, MM). Ismeret-/tudásbázis (TB) A tudásbázis az adott problématerületre vonatkozó specifikus ismeretek (tények, objektumok, kapcsolatok, heurisztikus ismeretek) szimbolikus leírását tartalmazza valamilyen tudásreprezentációs módszer szerint rendezve. Következtető gép A következtető gép az adott ismeretreprezentációs módot kiszolgáló, egy vagy több megoldáskereső stratégiát megvalósító program, kiegészítve egyéb funkciókkal. 49

61 15. ábra. Ismeretalapú rendszerek felépítése Eset specifikus adatbázis (munkamemória, MM) Az eset specifikus adatbázis az adott megoldandó feladat specifikus információit tartalmazza: külvilágból érkező információkat, adatokat; valamint a rész- és végső következtetések során kapott ismereteket. A három fő komponensen kívüli további elemek: Magyarázó alrendszer A magyarázó alrendszer a feladat megoldása közben a felhasználói kérdéseket megmagyarázza, indokolja a rendszer javaslatát. Tudásbázis kezelő/fejlesztő alrendszer A tudásbázis kezelő/fejlesztő alrendszer feladata a TB építése, tesztelése, módosítása. Tartalmaz TB fejlesztő, tudásszerzést támogató szolgáltatásokat. Felhasználói felület A felhasználói felület lehetőséget biztosít az ember-gép természetes nyelvű párbeszédhez, konzultációhoz. Ezen keresztül jutnak el a felhasználóhoz a magyarázatot adó és egyéb szolgáltatások is. Fejlesztői felület A fejlesztői felületen keresztül a tudásmérnök eléri a TB fejlesztő, tudásszerzést támogató alrendszer szolgáltatásait. Speciális felületek A speciális felületek a következtetőgép által vezérelt, adatbázisés egyéb kapcsolatokat (pl. adat-lekérés, külső eljárás meghívása, mért adatok fogadása, szabályozók adatokkal való ellátása) biztosítják. 50

Integrált gyártórendszerek

Integrált gyártórendszerek IGyR-10 p. 1/35 Integrált gyártórendszerek Számítógép hálózatok alapismeretei Összetett szabályozó rendszerek Mérés-adatgyűjtő és irányító szoftver rendszerek Diagnosztika: meghibásodás detektálás és azonosítás

Részletesebben

Diagnosztikai feladatok megvalósítása ágens-alapú. technikával

Diagnosztikai feladatok megvalósítása ágens-alapú. technikával Németh et al.: Diagnosztikai feladatok megvalósítása ágens-alapú technikával Diagnosztikai feladatok megvalósítása ágens-alapú technikával Németh E., 1 Lakner R., Hangos K. M. Magyar Tudományos Akadémia

Részletesebben

Diagnosztika Petri háló modellek felhasználásával

Diagnosztika Petri háló modellek felhasználásával Diagnosztika - Ea9. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Diagnosztika Petri háló modellek felhasználásával Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika

Részletesebben

OTKA nyilvántartási szám: T047198 ZÁRÓJELENTÉS

OTKA nyilvántartási szám: T047198 ZÁRÓJELENTÉS MESTERSÉGES INTELLIGENCIA MÓDSZEREK ALKALMAZÁSA A FOLYAMATMODELLEZÉSBEN című OTKA pályázatról 2004. jan. 01 2007. dec. 31. (Vezető kutató: Piglerné dr. Lakner Rozália) A mesterséges intelligencia eszközök

Részletesebben

Dinamikus modellek felállítása mérnöki alapelvek segítségével

Dinamikus modellek felállítása mérnöki alapelvek segítségével IgyR - 3/1 p. 1/20 Integrált Gyártórendszerek - MSc Dinamikus modellek felállítása mérnöki alapelvek segítségével Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék IgyR - 3/1 p. 2/20

Részletesebben

PREDIKCIÓN ALAPULÓ DIAGNOSZTIKA

PREDIKCIÓN ALAPULÓ DIAGNOSZTIKA PREDIKCIÓN ALAPULÓ DIAGNOSZTIKA MESTERSÉGES INTELLIGENCIA MÓDSZEREK FELHASZNÁLÁSÁVAL doktori (PhD) értekezés tézisei Készítette: NÉMETH ERZSÉBET a Pannon Egyetem Informatikai Tudományok Doktori Iskolája

Részletesebben

ZÁRÓJELENTÉS DINAMIKUS FOLYAMATRENDSZEREK MODELLEZÉSE ÉS IRÁNYÍTÁSA

ZÁRÓJELENTÉS DINAMIKUS FOLYAMATRENDSZEREK MODELLEZÉSE ÉS IRÁNYÍTÁSA DINAMIKUS FOLYAMATRENDSZEREK MODELLEZÉSE ÉS IRÁNYÍTÁSA című OTKA pályázatról 2003 febr. 1. -2006. dec. 31. (Vezető kutató: Dr. Hangos Katalin) A dinamikus folyamatrendszerek modellezése és irányítása egy

Részletesebben

Haszongépj. Németh. Huba. és s Fejlesztési Budapest. Kutatási. Knorr-Bremse. 2004. November 17. Knorr-Bremse 19.11.

Haszongépj. Németh. Huba. és s Fejlesztési Budapest. Kutatási. Knorr-Bremse. 2004. November 17. Knorr-Bremse 19.11. Haszongépj pjármű fékrendszer intelligens vezérl rlése Németh Huba Knorr-Bremse Kutatási és s Fejlesztési si Központ, Budapest 2004. November 17. Knorr-Bremse 19.11.2004 Huba Németh 1 Tartalom Motiváció

Részletesebben

Tantárgyi kommunikációs dosszié

Tantárgyi kommunikációs dosszié Tantárgyi kommunikációs dosszié Nyomástartó rendszerek biztonságtechnikája GEVGT081M Energetikai mérnöki MSc mesterszak Gépészmérnöki és Informatikai Kar Energetikai és Vegyipari Gépészeti Intézet Tantárgy

Részletesebben

Számítógéppel segített folyamatmodellezés p. 1/20

Számítógéppel segített folyamatmodellezés p. 1/20 Számítógéppel segített folyamatmodellezés Piglerné Lakner Rozália Számítástudomány Alkalmazása Tanszék Pannon Egyetem Számítógéppel segített folyamatmodellezés p. 1/20 Tartalom Modellező rendszerektől

Részletesebben

Tantárgyi kommunikációs dosszié

Tantárgyi kommunikációs dosszié Tantárgyi kommunikációs dosszié Nyomástartó rendszerek biztonságtechnikája GEVGT309M Gépészmérnöki MSc mesterszak Gépészmérnöki és Informatikai Kar Energetikai és Vegyipari Gépészeti Intézet Tantárgy neve:

Részletesebben

Méréselmélet MI BSc 1

Méréselmélet MI BSc 1 Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok

Részletesebben

Gyártórendszerek irányítási struktúrái

Gyártórendszerek irányítási struktúrái GyRDin-10 p. 1/2 Gyártórendszerek Dinamikája Gyártórendszerek irányítási struktúrái Hangos Katalin Villamosmérnöki és Információs Rendszerek Tanszék e-mail: hangos@scl.sztaki.hu GyRDin-10 p. 2/2 Tartalom

Részletesebben

A kockázatelemzés menete

A kockázatelemzés menete A kockázatelemzés menete 1. Üzem (folyamat) jellemzői Veszélyforrások 2. Baleseti sorok meghatározása 3a. Következmények felmérése 3b. Gyakoriság becslése 4. Kockázat meghatározás Balesetek Gyakoriság

Részletesebben

II. rész: a rendszer felülvizsgálati stratégia kidolgozását támogató funkciói. Tóth László, Lenkeyné Biró Gyöngyvér, Kuczogi László

II. rész: a rendszer felülvizsgálati stratégia kidolgozását támogató funkciói. Tóth László, Lenkeyné Biró Gyöngyvér, Kuczogi László A kockázat alapú felülvizsgálati és karbantartási stratégia alkalmazása a MOL Rt.-nél megvalósuló Statikus Készülékek Állapot-felügyeleti Rendszerének kialakításában II. rész: a rendszer felülvizsgálati

Részletesebben

Összeállította Horváth László egyetemi tanár

Összeállította Horváth László egyetemi tanár Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Intelligens Mérnöki Rendszerek Szakirány a Mérnök informatikus alapszakon Összeállította Horváth László Budapest, 2011

Részletesebben

Dinamikus modellek szerkezete, SDG modellek

Dinamikus modellek szerkezete, SDG modellek Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.

Részletesebben

Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével

Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Ellátási lánc optimalizálás P-gráf módszertan alkalmazásával mennyiségi és min ségi paraméterek gyelembevételével Pekárdy Milán, Baumgartner János, Süle Zoltán Pannon Egyetem, Veszprém XXXII. Magyar Operációkutatási

Részletesebben

Irányításelmélet és technika II.

Irányításelmélet és technika II. Irányításelmélet és technika II. Modell-prediktív szabályozás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 2010 november

Részletesebben

TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...

TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése... TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő

Részletesebben

Mérés és modellezés Méréstechnika VM, GM, MM 1

Mérés és modellezés Méréstechnika VM, GM, MM 1 Mérés és modellezés 2008.02.04. 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni

Részletesebben

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás

Részletesebben

Mérés és modellezés 1

Mérés és modellezés 1 Mérés és modellezés 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni kell

Részletesebben

Kvantitatív módszerek

Kvantitatív módszerek Kvantitatív módszerek szimuláció Kovács Zoltán Szervezési és Vezetési Tanszék E-mail: kovacsz@gtk.uni-pannon.hu URL: http://almos/~kovacsz Mennyiségi problémák megoldása analitikus numerikus szimuláció

Részletesebben

Integrált gyártórendszerek

Integrált gyártórendszerek IGyR-10 p. 1/58 Integrált gyártórendszerek Számítógép hálózatok alapismeretei Összetett szabályozó rendszerek Mérés-adatgyűjtő és irányító szoftver rendszerek Diagnosztika: meghibásodás detektálás és azonosítás

Részletesebben

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 8.

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 8. Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 8. előadás Szederkényi Gábor Pázmány Péter Katolikus Egyetem Információs

Részletesebben

Irányításelmélet és technika II.

Irányításelmélet és technika II. Irányításelmélet és technika II. Legkisebb négyzetek módszere Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 200 november

Részletesebben

Óbudai Egyetem Neumann János Informatikai Kar. Intelligens Mérnöki Rendszerek Intézet

Óbudai Egyetem Neumann János Informatikai Kar. Intelligens Mérnöki Rendszerek Intézet Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet 1034 Budapest, Bécsi út 96/B Tel., Fax:1/666-5544,1/666-5545 http://nik.uni-obuda.hu/imri Az 2004-ben alakult IMRI (BMF)

Részletesebben

Működésbiztonsági veszélyelemzés (Hazard and Operability Studies, HAZOP) MSZ

Működésbiztonsági veszélyelemzés (Hazard and Operability Studies, HAZOP) MSZ Működésbiztonsági veszélyelemzés (Hazard and Operability Studies, HAZOP) MSZ-09-960614-87 Célja: a szisztematikus zavar-feltárás, nyomozás. A tervezett működési körülményektől eltérő állapotok azonosítása,

Részletesebben

Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Keresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)

Részletesebben

TERMÉKTERVEZÉS NUMERIKUS MÓDSZEREI. 1. Bevezetés

TERMÉKTERVEZÉS NUMERIKUS MÓDSZEREI. 1. Bevezetés TERMÉKTERVEZÉS NUMERIKUS MÓDSZEREI Dr. Goda Tibor egyetemi docens Gép- és Terméktervezés Tanszék 1. Bevezetés 1.1. A végeselem módszer alapjai - diszkretizáció, - szerkezet felbontása kicsi szabályos elemekre

Részletesebben

Bevezetés az állapottér-elméletbe Dinamikus rendszerek állapottér reprezentációi

Bevezetés az állapottér-elméletbe Dinamikus rendszerek állapottér reprezentációi Tartalom Bevezetés az állapottér-elméletbe Irányítható alak Megfigyelhetőségi alak Diagonális alak Állapottér transzformáció 2018 1 A szabályozáselmélet klasszikus, BODE, NICHOLS, NYQUIST nevéhez kötődő,

Részletesebben

Miskolci Egyetem GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR. Osztályozási fák, durva halmazok és alkalmazásaik. PhD értekezés

Miskolci Egyetem GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR. Osztályozási fák, durva halmazok és alkalmazásaik. PhD értekezés Miskolci Egyetem GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Osztályozási fák, durva halmazok és alkalmazásaik PhD értekezés Készítette: Veres Laura okleveles matematikus-informatikus Hatvany József Informatikai

Részletesebben

Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával

Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával Sztöchiometriai egyenletrendszerek minimális számú aktív változót tartalmazó megoldásainak meghatározása a P-gráf módszertan alkalmazásával * Pannon Egyetem, M szaki Informatikai Kar, Számítástudomány

Részletesebben

Az irányítástechnika alapfogalmai. 2008.02.15. Irányítástechnika MI BSc 1

Az irányítástechnika alapfogalmai. 2008.02.15. Irányítástechnika MI BSc 1 Az irányítástechnika alapfogalmai 2008.02.15. 1 Irányítás fogalma irányítástechnika: önműködő irányítás törvényeivel és gyakorlati megvalósításával foglakozó műszaki tudomány irányítás: olyan művelet,

Részletesebben

Irányításelmélet és technika I.

Irányításelmélet és technika I. Irányításelmélet és technika I Folytonos idejű rendszerek leírása az állapottérben Állapotvisszacsatolást alkalmazó szabályozási körök Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki

Részletesebben

IATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools):

IATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools): APQP IATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools): PPAP (Production Part Approval Process) Gyártás jóváhagyási folyamat APQP (Advanced Product Quality Planning and Control Plans)

Részletesebben

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 9. el?

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 9. el? Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 9. el?adás Szederkényi Gábor Pázmány Péter Katolikus Egyetem Információs

Részletesebben

DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST RESULTS

DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST RESULTS Műszaki Földtudományi Közlemények, 83. kötet, 1. szám (2012), pp. 271 276. HULLADÉKOK TEHERBÍRÁSÁNAK MEGHATÁROZÁSA CPT-EREDMÉNYEK ALAPJÁN DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST

Részletesebben

TPM egy kicsit másképp Szollár Lajos, TPM Koordinátor

TPM egy kicsit másképp Szollár Lajos, TPM Koordinátor TPM egy kicsit másképp Szollár Lajos, TPM Koordinátor 2013.06.18 A TPM A TPM a Total Productive Maintenance kifejezés rövidítése, azaz a teljes, a gyártásba integrált karbantartást jelenti. A TPM egy állandó

Részletesebben

Az informatikai biztonsági kockázatok elemzése

Az informatikai biztonsági kockázatok elemzése ROBOTHADVISELÉS S 2009 Az informatikai biztonsági kockázatok elemzése Muha Lajos PhD, CISM főiskolai tanár, mb. tanszékvezet kvezető ZMNE BJKMK IHI Informatikai Tanszék 1 Az informatikai biztonság Az informatikai

Részletesebben

Fotódokumentáció. Projektazonosító: KMOP-1.1.1-08/1-2008-0049

Fotódokumentáció. Projektazonosító: KMOP-1.1.1-08/1-2008-0049 Fotódokumentáció Projektazonosító: KMOP-1.1.1-08/1-2008-0049 Laborkísérletekhez használt reaktorrendszer előkészítése A laborkísérletek elvégzéséhez szükséges volt egy kisméretű FCR (food chain reactor

Részletesebben

Mérési hibák 2006.10.04. 1

Mérési hibák 2006.10.04. 1 Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség

Részletesebben

Szabályalapú diagnosztika - Diagnosztika HAZID információk felhasználásával

Szabályalapú diagnosztika - Diagnosztika HAZID információk felhasználásával Diagnosztika 5 p. 1/2 Modell Alapú Diagnosztika Disztkrét Módszerekkel Szabályalapú diagnosztika - Diagnosztika HAZID információk felhasználásával Hangos Katalin PE Villamosmérnöki és Információs Rendszerek

Részletesebben

Al-Mg-Si háromalkotós egyensúlyi fázisdiagram közelítő számítása

Al-Mg-Si háromalkotós egyensúlyi fázisdiagram közelítő számítása l--si háromalkotós egyensúlyi fázisdiagram közelítő számítása evezetés Farkas János 1, Dr. Roósz ndrás 1 doktorandusz, tanszékvezető egyetemi tanár Miskolci Egyetem nyag- és Kohómérnöki Kar Fémtani Tanszék

Részletesebben

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2016/17 2. félév 1-2. Előadás Dr. Kulcsár Gyula egyetemi docens A tantárgy tematikája 1.

Részletesebben

Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék

Számítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló

Részletesebben

Veszély- és kockázatbecslés alapú rekonfigurált eljárás-befolyásolás a polgári légiközlekedésben

Veszély- és kockázatbecslés alapú rekonfigurált eljárás-befolyásolás a polgári légiközlekedésben Veszély- és kockázatbecslés alapú rekonfigurált eljárás-befolyásolás a polgári légiközlekedésben Meyer Dóra Témavezető: Dr. Tarnai Géza Közlekedés és járműirányítás workshop BME 20 ISBN 978-963-420-975-

Részletesebben

Elemzési módszerek. Egyes módszerek ágazat-specifikusak, mások teljesen általánosan használatosak. A leggyakoribb veszélyelemző módszerek:

Elemzési módszerek. Egyes módszerek ágazat-specifikusak, mások teljesen általánosan használatosak. A leggyakoribb veszélyelemző módszerek: Elemzési módszerek Egyes módszerek ágazat-specifikusak, mások teljesen általánosan használatosak. A leggyakoribb veszélyelemző módszerek: Hibamód és -hatás elemzés - failure modes and effects analysis

Részletesebben

Intelligens irányítások

Intelligens irányítások Intelligens irányítások Fuzzy következtető rendszerek Ballagi Áron Széchenyi István Egyetem Automatizálási Tsz. 1 Fuzzy következtető rendszer Fuzzy következtető Szabálybázis Fuzzifikáló Defuzzifikáló 2

Részletesebben

LTI Rendszerek Dinamikus Analízise és Szabályozásának Alapjai

LTI Rendszerek Dinamikus Analízise és Szabályozásának Alapjai Diszkrét és hibrid diagnosztikai és irányítórendszerek LTI Rendszerek Dinamikus Analízise és Szabályozásának Alapjai Hangos Katalin Közlekedésautomatika Tanszék Rendszer- és Irányításelméleti Kutató Laboratórium

Részletesebben

Jelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék

Jelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék Jelek és rendszerek 1 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék 1 Ajánlott irodalom: FODOR GYÖRGY : JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, Budapest, 2006

Részletesebben

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv Mérések, mérési eredmények, mérési bizonytalanság A mérések általános és alapvető metrológiai fogalmai és definíciói mérés Műveletek összessége, amelyek célja egy mennyiség értékének meghatározása. mérési

Részletesebben

AZ INTEGRÁLT NYOMONKÖVETŐ RENDSZER BEMUTATÁSA (TÁMOP 3.4.2-B) Kern Zoltán Közoktatási szakértő Kern.zoltan@educatio.hu

AZ INTEGRÁLT NYOMONKÖVETŐ RENDSZER BEMUTATÁSA (TÁMOP 3.4.2-B) Kern Zoltán Közoktatási szakértő Kern.zoltan@educatio.hu AZ INTEGRÁLT NYOMONKÖVETŐ RENDSZER BEMUTATÁSA (TÁMOP 3.4.2-B) Kern Zoltán Közoktatási szakértő Kern.zoltan@educatio.hu Integrált (Elektronikus) Nyomonkövető Rendszer Miért használjuk? Hogyan használjuk?

Részletesebben

S atisztika 2. előadás

S atisztika 2. előadás Statisztika 2. előadás 4. lépés Terepmunka vagy adatgyűjtés Kutatási módszerek osztályozása Kutatási módszer Feltáró kutatás Következtető kutatás Leíró kutatás Ok-okozati kutatás Keresztmetszeti kutatás

Részletesebben

EGYÜTTMŰKÖDŐ ÉS VERSENGŐ ERŐFORRÁSOK SZERVEZÉSÉT TÁMOGATÓ ÁGENS RENDSZER KIDOLGOZÁSA

EGYÜTTMŰKÖDŐ ÉS VERSENGŐ ERŐFORRÁSOK SZERVEZÉSÉT TÁMOGATÓ ÁGENS RENDSZER KIDOLGOZÁSA infokommunikációs technológiák EGYÜTTMŰKÖDŐ ÉS VERSENGŐ ERŐFORRÁSOK SZERVEZÉSÉT TÁMOGATÓ ÁGENS RENDSZER KIDOLGOZÁSA Témavezető: Tarczali Tünde Témavezetői beszámoló 2015. január 7. TÉMAKÖR Felhő technológián

Részletesebben

Irányítástechnika GÁSPÁR PÉTER. Prof. BOKOR JÓZSEF útmutatásai alapján

Irányítástechnika GÁSPÁR PÉTER. Prof. BOKOR JÓZSEF útmutatásai alapján Irányítástechnika GÁSPÁR PÉTER Prof. BOKOR JÓZSEF útmutatásai alapján Irányítástechnika rendszerek Irányítástechnika Budapest, 2008 2 Az előadás felépítése 1. 2. 3. 4. Irányítástechnika Budapest, 2008

Részletesebben

Autóipari beágyazott rendszerek. Kockázatelemzés

Autóipari beágyazott rendszerek. Kockázatelemzés Autóipari beágyazott rendszerek Kockázatelemzés 1 Biztonságkritikus rendszer Beágyazott rendszer Aminek hibája Anyagi vagyont, vagy Emberéletet veszélyeztet Tipikus példák ABS, ESP, elektronikus szervokormány

Részletesebben

Miskolci Egyetem Általános Informatikai Tanszék

Miskolci Egyetem Általános Informatikai Tanszék Software tesztelés Miskolci Egyetem Általános Informatikai Tanszék Software tesztelés SWTESZT / 1 A tesztelés feladata Két alapvető cél rendszerben található hibák felderítése annak ellenőrzése, hogy a

Részletesebben

A tesztelés feladata. Verifikáció

A tesztelés feladata. Verifikáció Software tesztelés Miskolci Egyetem Általános Informatikai Tanszék Software tesztelés SWTESZT / 1 A tesztelés feladata Két alapvető cél rendszerben található hibák felderítése annak ellenőrzése, hogy a

Részletesebben

Ember-gép rendszerek megbízhatóságának pszichológiai vizsgálata. A Rasmussen modell.

Ember-gép rendszerek megbízhatóságának pszichológiai vizsgálata. A Rasmussen modell. Ember-gép rendszerek megbízhatóságának pszichológiai vizsgálata. A Rasmussen modell. A bonyolult rendszerek működtetésének biztonsága egyre pontosabb, naprakész gondolati, beavatkozási sémákat igényel

Részletesebben

Gyártórendszerek Dinamikája. Gyártórendszerek jellemzése és szerkezete Gyártórendszerekkel kapcsolatos mérnöki feladatok

Gyártórendszerek Dinamikája. Gyártórendszerek jellemzése és szerkezete Gyártórendszerekkel kapcsolatos mérnöki feladatok GyRDin-02 p. 1/20 Gyártórendszerek Dinamikája Gyártórendszerek jellemzése és szerkezete Gyártórendszerekkel kapcsolatos mérnöki feladatok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék

Részletesebben

Akusztikai tervezés a geometriai akusztika módszereivel

Akusztikai tervezés a geometriai akusztika módszereivel Akusztikai tervezés a geometriai akusztika módszereivel Fürjes Andor Tamás BME Híradástechnikai Tanszék Kép- és Hangtechnikai Laborcsoport, Rezgésakusztika Laboratórium 1 Tartalom A geometriai akusztika

Részletesebben

Új felállás a MAVIR diagnosztika területén. VII. Szigetelésdiagnosztikai Konferencia 2007 Siófok

Új felállás a MAVIR diagnosztika területén. VII. Szigetelésdiagnosztikai Konferencia 2007 Siófok Új felállás a MAVIR diagnosztika területén VII. Szigetelésdiagnosztikai Konferencia 2007 Siófok Állapotfelmérés, -ismeret 1 Célja: Karbantartási, felújítási, rekonstrukciós döntések megalapozása, Üzem

Részletesebben

The nontrivial extraction of implicit, previously unknown, and potentially useful information from data.

The nontrivial extraction of implicit, previously unknown, and potentially useful information from data. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó

Részletesebben

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált

Részletesebben

A hálózattervezés alapvető ismeretei

A hálózattervezés alapvető ismeretei A hálózattervezés alapvető ismeretei Infokommunikációs hálózatok tervezése és üzemeltetése 2011 2011 Sipos Attila ügyvivő szakértő BME Híradástechnikai Tanszék siposa@hit.bme.hu A terv általános meghatározásai

Részletesebben

Modellezési esettanulmányok. elosztott paraméterű és hibrid példa

Modellezési esettanulmányok. elosztott paraméterű és hibrid példa Modellezési esettanulmányok elosztott paraméterű és hibrid példa Hangos Katalin Számítástudomány Alkalmazása Tanszék Veszprémi Egyetem Haladó Folyamatmodellezés és modell analízis PhD kurzus p. 1/38 Tartalom

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

A CMMI alapú szoftverfejlesztési folyamat

A CMMI alapú szoftverfejlesztési folyamat A CMMI alapú szoftverfejlesztési folyamat Készítette: Szmetankó Gábor G-5S8 Mi a CMMI? Capability Maturity Modell Integration Folyamat fejlesztési referencia modell Bevált gyakorlatok, praktikák halmaza,

Részletesebben

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 9.

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 9. Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 9. előadás Szederkényi Gábor Pázmány Péter Katolikus Egyetem Információs

Részletesebben

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék Miskolci Egyetem Gépészmérnöki és Informatikai Kar Informatikai Intézet Alkalmazott Informatikai Intézeti Tanszék 2017/18 2. félév 3. Előadás Dr. Kulcsár Gyula egyetemi docens Kereső algoritmusok alkalmazása

Részletesebben

MŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010

MŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010 MŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010 KONFERENCIA ELŐADÁSAI Nyíregyháza, 2010. május 19. Szerkesztette: Edited by Pokorádi László Kiadja: Debreceni Akadémiai Bizottság Műszaki Szakbizottsága

Részletesebben

Logisztikai szimulációs módszerek

Logisztikai szimulációs módszerek Üzemszervezés Logisztikai szimulációs módszerek Dr. Juhász János Integrált, rugalmas gyártórendszerek tervezésénél használatos szimulációs módszerek A sztochasztikus külső-belső tényezőknek kitett folyamatok

Részletesebben

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.

Intelligens Rendszerek Gyakorlata. Neurális hálózatok I. : Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3

Részletesebben

Mesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek

Mesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek Mesterséges Intelligencia Elektronikus Almanach Konzorciumi partnerek 1 Konzorcium Budpesti Mőszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Méréstechnika és Információs Rendszerek

Részletesebben

BME Járműgyártás és -javítás Tanszék. Javítási ciklusrend kialakítása

BME Járműgyártás és -javítás Tanszék. Javítási ciklusrend kialakítása BME Járműgyártás és -javítás Tanszék Javítási ciklusrend kialakítása A javítási ciklus naptári napokban, üzemórákban vagy más teljesítmény paraméterben meghatározott időtartam, amely a jármű, gép új állapotától

Részletesebben

I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI

I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI I. A DIGITÁLIS ÁRAMKÖRÖK ELMÉLETI ALAPJAI 1 A digitális áramkörökre is érvényesek a villamosságtanból ismert Ohm törvény és a Kirchhoff törvények, de az elemzés és a tervezés rendszerint nem ezekre épül.

Részletesebben

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék

Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék 2012/13 2. félév 4. Előadás Dr. Kulcsár Gyula egyetemi docens Gyártórendszerek egyszerűsített irányítási modellje Zavaró

Részletesebben

Kockázatkezelés és biztosítás 1. konzultáció 2. rész

Kockázatkezelés és biztosítás 1. konzultáció 2. rész Kockázatkezelés és biztosítás 1. konzultáció 2. rész Témák 1) A kockázatkezelés eszközei 2) A kockázatkezelés szakmai területei 3) A kockázatelemzés nem holisztikus technikái 4) Kockázatfinanszírozás 5)

Részletesebben

Adaptív menetrendezés ADP algoritmus alkalmazásával

Adaptív menetrendezés ADP algoritmus alkalmazásával Adaptív menetrendezés ADP algoritmus alkalmazásával Alcím III. Mechwart András Ifjúsági Találkozó Mátraháza, 2013. szeptember 10. Divényi Dániel Villamos Energetika Tanszék Villamos Művek és Környezet

Részletesebben

OpenCL alapú eszközök verifikációja és validációja a gyakorlatban

OpenCL alapú eszközök verifikációja és validációja a gyakorlatban OpenCL alapú eszközök verifikációja és validációja a gyakorlatban Fekete Tamás 2015. December 3. Szoftver verifikáció és validáció tantárgy Áttekintés Miért és mennyire fontos a megfelelő validáció és

Részletesebben

Interaktív, grafikus környezet. Magasszintû alkalmazási nyelv (KAL) Integrált grafikus interface könyvtár. Intelligens kapcsolat más szoftverekkel

Interaktív, grafikus környezet. Magasszintû alkalmazási nyelv (KAL) Integrált grafikus interface könyvtár. Intelligens kapcsolat más szoftverekkel Készítette: Szabó Gábor, 1996 Az Az IntelliCorp IntelliCorp stratégiája: stratégiája: Kifinomult, Kifinomult, objektum-orientált objektum-orientált környezetet környezetet biztosít biztosít tervezéséhez,

Részletesebben

Mérési struktúrák

Mérési struktúrák Mérési struktúrák 2007.02.19. 1 Mérési struktúrák A mérés művelete: a mérendő jellemző és a szimbólum halmaz közötti leképezés megvalósítása jel- és rendszerelméleti aspektus mérési folyamat: a leképezést

Részletesebben

Az irányítástechnika alapfogalmai

Az irányítástechnika alapfogalmai Az irányítástechnika alapfogalmai 2014. 02. 08. Folyamatirányítás - bevezetés Legyen adott egy tetszőleges technológiai rendszer Mi a cél? üzemeltetés az előírt tevékenység elvégzése (termék előállítása,

Részletesebben

Különböző hagyományos és nem-hagyományos eljárások kombinálása: miért és hogyan? április 16.

Különböző hagyományos és nem-hagyományos eljárások kombinálása: miért és hogyan? április 16. Különböző hagyományos és nem-hagyományos eljárások kombinálása: miért és hogyan? 2008. április 16. Életből vett problémák, projektek Dunai Vasmű: acélkonverter modellezése Orvosi röntgenkép-kiértékelés

Részletesebben

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x

Részletesebben

Mi a diagnosztika? Néhány definíció, közelítés és elhatárolódás. Dr. Nagyszokolyai Iván, BME Gépjárművek tanszék

Mi a diagnosztika? Néhány definíció, közelítés és elhatárolódás. Dr. Nagyszokolyai Iván, BME Gépjárművek tanszék Mi a diagnosztika? Néhány definíció, közelítés és elhatárolódás Dr. Nagyszokolyai Iván, BME Gépjárművek tanszék A műszaki diagnosztika a mechatronikai rendszerek állapot-felügyeletéhez szükséges műszaki

Részletesebben

Dr. Szőrös Gabriella NRSZH. Előadás kivonat

Dr. Szőrös Gabriella NRSZH. Előadás kivonat Dr. Szőrös Gabriella NRSZH Előadás kivonat Alkalmassági vizsgálatok Rehabilitációs alkalmasság Motivációs vizsgálatok Gépjárművezetői alkalmasság Munkaszimulátoros vizsgálatok Jogszabályi változás Mkcs

Részletesebben

VIKKK III: firány: Korszer technológia rendszerek fejlesztése, se, optimalizálása

VIKKK III: firány: Korszer technológia rendszerek fejlesztése, se, optimalizálása VIKKK III: firány: Korszer technológia rendszerek fejlesztése, se, optimalizálása Szeifert Ferenc Veszprémi Egyetem, Folyamatmérnöki Tanszék Veszprém, 2006. január Elzmény projektek: Projektek Vegyipari

Részletesebben

FMEA tréning OKTATÁSI SEGÉDLET

FMEA tréning OKTATÁSI SEGÉDLET FMEA tréning OKTATÁSI SEGÉDLET 1. Hibamód és hatás elemzés : FMEA (Failure Mode and Effects Analysis) A fejlett nyugati piacokon csak azok a vállalatok képesek hosszabbtávon megmaradni, melyek gazdaságosan

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus

Részletesebben

ÚJ! Fluke 438-II Hálózat- minőség és motor analizátor

ÚJ! Fluke 438-II Hálózat- minőség és motor analizátor Ismerje meg villamos motorja teljesítőképességét mechanikus érzékelők használata nélkül ÚJ! Fluke 438-II Hálózat- minőség és motor analizátor Végezzen hibakeresést közvetlenül, on-line, üzemben lévő motorján

Részletesebben

A betegbiztonság növelése humán diagnosztikai laboratóriumban

A betegbiztonság növelése humán diagnosztikai laboratóriumban A betegbiztonság növelése humán diagnosztikai laboratóriumban Dr. Barna T. Katalin 1, Szlatinszki Nóra 2, Kanik Erika 3, Kegyes Lászlóné 4, Bálint Gyöngyi 5 (Synlab Dunaújvárosi Laboratórium 1-4, Dunaújváros,

Részletesebben

Autóipari beágyazott rendszerek Dr. Balogh, András

Autóipari beágyazott rendszerek Dr. Balogh, András Autóipari beágyazott rendszerek Dr. Balogh, András Autóipari beágyazott rendszerek Dr. Balogh, András Publication date 2013 Szerzői jog 2013 Dr. Balogh András Szerzői jog 2013 Dunaújvárosi Főiskola Kivonat

Részletesebben

A szemantikus világháló oktatása

A szemantikus világháló oktatása A szemantikus világháló oktatása Szeredi Péter Lukácsy Gergely Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi és Információelméleti Tanszék ➀ A szemantikus világháló... c. tárgy ➁ A tananyag

Részletesebben

ANALÍZIS TANSZÉK Szakdolgozati téma. Piezoelektromos mechanikai redszer rezgését leíró parciális

ANALÍZIS TANSZÉK Szakdolgozati téma. Piezoelektromos mechanikai redszer rezgését leíró parciális Piezoelektromos mechanikai redszer rezgését leíró parciális di erenciálegyenlet el½oállítása és megoldása Témavezet½o: Dr. Kovács Béla Rugalmas és pizoelektromos rétegekb½ol álló összetett mechanikai rendszer

Részletesebben

I. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE

I. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE I. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE Komplex termékek gyártására jellemző, hogy egy-egy termékbe akár több ezer alkatrész is beépül. Ilyenkor az alkatrészek általában sok különböző beszállítótól érkeznek,

Részletesebben

Szigetelés- vizsgálat

Szigetelés- vizsgálat Szigetelésvizsgálat 1 Szigetelés vizsgálata DC vizsgálat elmélet Vizsgáló feszültségszintek Diagnosztikai eljárások 2 Elmélet 3 Mit okoz a szigetelés meghibásodása? Öt alaptényező ami a szigetelés letöréséhez

Részletesebben

Transzformátor, Mérőtranszformátor Állapot Tényező szakértői rendszer Vörös Csaba Tarcsa Dániel Németh Bálint Csépes Gusztáv

Transzformátor, Mérőtranszformátor Állapot Tényező szakértői rendszer Vörös Csaba Tarcsa Dániel Németh Bálint Csépes Gusztáv Transzformátor, Mérőtranszformátor Állapot Tényező szakértői rendszer Vörös Csaba Tarcsa Dániel Németh Bálint Csépes Gusztáv Áttekintés A Rendszer jelentősége Állapotjellemzők MérőTranszformátor Állapot

Részletesebben