Tézisfüzet Folyamatrendszerek esemény alapú diagnosztikája készítette: Tóth Attila konzulens: Hangos M. Katalin DSc Pannon Egyetem M szaki Informatikai Kar Informatikai Tudományok Doktori Iskola 2016
1. Bevezetés A korai és pontos hibameghatározás az egyik legfontosabb kihívások egyike napjaink modern folyamatrendszereinek m ködtetése során. A diagnosztika során azonosított hibák id beni elkülönítése és semlegesítése kritikus szereppel bír a komoly következmények, rendszerleállások elkerülése folyamán. Ezeket a komoly következményeket ugyanis sokszor kezdetben elkülönülve jelentkez, ám túl kés n észlelt kis meghibásodások okozzák. Egy rendszerszint intelligens diagnosztikai megoldás alkalmazása biztonságosabb és egyszer bb m ködést eredményezhet, kevesebb lehet séget adva az emberi hibáknak is. 1.1. Irodalmi bevezet Kiemelt fontossága miatt a diszkrét hibadiagnosztikai megközelítések irodalma igen tágas, ezen belül a modell-alapú megoldások a legelterjedtebbek. Kockázatelemzés alapú diagnosztika. A kockázatelemzés (hazard identication, HAZID) a hibadiagnosztikától jelent sen különbözik, ám a két terület mégis közös alapokra épít. A HAZOP (Hazard and Operability, lásd [9]) illetve az FMEA (Failure Eect and Mode Analysis, lásd [6]) két alapjaiban különböz analitikai módszertan kockázatok kezelésére, ahol a HAZOP a rendszerben el forduló elemi eltéréseket (deviációkat), míg az FMEA a folyamatban résztvev komponenseket veszi el térbe. A kevert HAZID (blended HAZID, BL-HAZID) megközelítés (részletes leírását lásd [11]) kombinálja a rendszer-vezérelt HAZOP és a komponens-vezérelt FMEA el nyeit egy módszerben, amellett hogy hiányosságaikat minimalizálja. Csoportosítás és statisztika alapú diagnosztika. A csoportosítás (clustering) a gépi tanulásban széleskör en ismert módszerként a folyamatrendszerek diagnosztikájában is használt. Erre a célra például a k-means csoportosítási ([4]) és a fuzzy c-means csoportosítási ([2]) algoritmusokat használják el szeretettel. Folyamatmodellek Petri háló alapú dinamikus meghatározása ([1]) is ebbe a kategóriába tartozik, akárcsak a statisztikai módszereken alapuló kvantitatív mintázat-keres módszerek, mint a PCA és PLS ([14], [12] és [10]). Ezek az algoritmusok hibadiagnosztika mellett folyamatrendszerek monitorozására is használtak. 1
Diagnosztikai dekompozíciós megközelítések. Egy probléma részproblémákká bontásának ötlete a matematikában és számítástechnikában széleskör en használt bonyolultabb feladatok megoldására. Mivel maga az alapprobléma NP-nehéz, ez az ötlet általánosítható folyamatrendszerek diagnosztikájára is. Ezt a gondolatot már számos létez diagnosztikai megközelítés használja - például a [5]-ban leírt valósidej diagnosztikai keretrendszer vagy a [7]-ban ismertetett dekompozíciós megoldás. 1.2. Problémafelvetés és célkit zés A disszertáció célja, hogy olyan diszkrét id függ hibadiagnosztikai heurisztikákat javasoljon dinamikus folyamatrendszerekre, amik eddig a vonatkozó irodalmakban nem lettek széles körben feltárva. A m ben a következ problémákra próbálunk válaszokat adni: Az eredend en statikus HAZID módszerek nem foglalkoznak dinamikus eseménysorozatok diagnosztikájával. Ezek kiegészítéseként javasolunk egy folyamat HAZID (procedure HAZID, P-HAZID) megközelítést, ami használható dinamikus eseménysorozatok esetében is. Némely esetekben el fordulhat hogy csak mérések érhet ek el a folyamatrendszerr l - egyéb specikus hibamodell (például P-HAZID táblázat) nélkül. Ezt a hibamodellt az esetek bizonyos részében nagyon nehezen és hosszadalmasan lehet el állítani, a sok kézi lépés miatt. Ezekre az esetekre szerettünk volna egy puszta küls meggyeléseken alapuló, modellt nem igényl diagnosztikai módszert javasolni. Végül, mivel mindkét diagnosztikai megközelítés NP-nehéz, egy dekompozíciós megközelítést is javaslunk, amivel a felsorolt diagnosztikai algoritmusok számításigényét lehet csökkenteni a feladat szétbontásával. Ezzel a megközelítéssel a fenti algoritmusok bonyolultabb rendszerek esetében is használhatóak maradhatnak. 2. Alapfogalmak Rendszermodell. Rendszermodellként a folyamatrendszerek Multiple-Input Multiple-Output (MIMO) modellje használt, ahol a folyamatrendszer bemeneti jeleket feldolgozva kimeneti jeleket generál (lásd [8]). Ebben az esetben 2
mind a bemenetek mind a kimenetek vektorérték ek. Az 1. ábra egy ilyen rendszert mutat be. bemenetek S kimenetek zavarások 1. ábra. Egy Multiple-Input Multiple-Output rendszer. A rendszer meghibásodásait id ben állandó állapotokként modelleztük. Kvalitatív értékkészlet. Bizonytalanság esetén egy valós jel aktuális értéke leírható egy kvalitatív értékkészlet segítségével, ami diszjunkt valós intervallumok rendezett halmaza. Például az "N" szimbólum megfeleltethet a jel normális m ködési tartományának, "0", "L" és "H" az alacsonyabb és magasabb, de még mindig elfogadható, valamint "e " és "e+" az elfogadhatatlanul alacsony és magas értékeinek. Ez a kvalitatív értékkészlet formálisan a következ képpen írható le: Q = {e, 0, L, N, H, e+} (1) Deníciója alapján a kvalitatív halmazok a fuzzy halmazok (lásd [15]) határeseteiként is érzelmezhet ek Ebben az esetben a tagsági függvények a deniált intervallum felett konstans 1 értékkel rendelkeznek és nem lapolódnak át, mint a hagyományos fuzzy halmazok. A folyamatrendszer be- és kimenetei kvalitatív értékkészlettel lesznek leírva a továbbiakban. Események. Egy jelre vagy jelekre vonatkozó esemény egy τ id bélyeg, és a folyamatrendszer erre az id re vonatkozó aktuális értékeinek listájaként deniálható, tehát ε (x) τ = (τ; x(τ)). Formálisan, egy a bemeneteket és kimeneteket is tartalmazó esemény (τ id pontban egy n bemenetet és m kimenetet tartalmazó rendszer esetében): esemény τ = (τ; bemenet 1,..., bemenet n ; kimenet 1,..., kimenet m ) 3
A τ diszkrét érték. m = 1 esetén egykimenet eseményr l beszélünk. Egy m > 1 kimenettel rendelkez esemény mindig átalakítható m darab egykimenet eseménnyé. Eseménysorozatok. Ugyanarra a folyamatrendszerre vonatkozó események sorozatát eseménysorozatnak(trace) nevezzük és formálisan a következ képpen deniáljuk: T (t 1, t n ) = esemény t1,..., esemény tn Egy eseménysorozat mindig egy operátori eljárást (m veletek sorozatát) ír le a kérdéses folyamatrendszeren annak be- és kimenetei szempontjából. Események ugyanabban a sorozatban mindig ugyanazokra a be- és kimenetekre vonatkoznak. τ szigorúan monoton növeked a sorozat egymást követ eseményeiben. Az operátori eljárásokat eseménysorozatok formájában reprezentáljuk a továbbiakban. Hibamentes esetben nominális eseménysorozatról, míg egy lehetséges rendszerhibát leíró esetben karakterisztikus eseménysorozatról beszélünk. 2.1. P-HAZID diagnózer Deviációk. Nominális és karakterisztikus eseménysorozatok összehasonlítását elvégezhetjük a megfelel egykimenet események összehasonlításával. Egy deviáció írja le két, ugyanazon id bélyeggel rendelkez egykimenet esemény különbségét. A deviáció egy vezérszóból (ez írja le a pontos típusát), az események közös id bélyegéb l, és a kimenet azonosítójából áll (egy deviáció mindig egy kimenetre vonatkozik). Típusát tekintve a deviáció lehet id beli (vagyis hogy a meggyelt esemény el bb, kés bb, vagy soha nem történt meg a nominális eseményhez képest) vagy mennyiségbeli (vagyis hogy a meggyelt esemény kimeneti kvalitatív értéke kisebb vagy nagyobb volt-e a nominális eseményhez viszonyítva). A P-HAZID diagnózer ezeket a deviációkat használja a hibás és hibamentes állapot közötti eltérések leírására az operátori eljárás diagnosztikája során. P-HAZID táblázat. A bevezet ben is említett BL-HAZID módszer kiegészíthet dinamikus operátori eljárások diagnosztikájának képességével. Ezt a kiterjesztést P-HAZID táblázatnak hívjuk (részletesen lásd [O1], [O2] és [13]). 4
Cause Deviation Implication TANK-LEAK never-happened(2;out) never-happened(3;out) never-happened(2;out) never-happened(3;out) never-happened(4;out) TANK-LEAK slightly-smaller(2;out) signicantly-smaller(3;out) slightly-smaller(2;out) signicantly-smaller(3;out) signicantly-smaller(4;out) 1. táblázat. Példa P-HAZID táblázat egy két bemenet és egy kimenet folyamatrendszerre, egy meghibásodás (TANK-LEAK) esetén. A P-HAZID táblázat gyakorlatilag egy három oszlopos táblázat, aminek celláiban a folyamatrendszer különféle hibás m ködési módjai (gyökér-okok) valamint deviációk találhatóak, amik id bélyeg szerint csökken sorrendben rendezve találhatóak meg a táblázat soraiban. Két sor összeköthet, ha az utolsó két deviáció az egyik sorban megegyezik a másik sor els két deviációjával, ez a kapcsolat képezi a következtetési algoritmus alapját. A P-HAZID táblázat a folyamatrendszer egyfajta hibamodelljeként is felfogható. Egy következtetési eljárás segítségével a legmagasabb id bélyeggel rendelkez kezdeti deviációktól - a sorok kapcsolatán keresztül - a lehetséges gyökér-okok meghatározhatóak. 2.2. Csoportosításon alapuló diagnosztika Vektoriális reprezentáció. Egy megfelel M : Q R leképezést használva, a kvalitatív be- és kimenetekkel rendelkez események vektoriális formára alakíthatóak vissza. Eseményeik egyenkénti átalakításával eseménysorozatok is átalakíthatóak. Például, az eseménysorozat (1; 1, 0 ; 0 ), (2; 1, 0 ; L ), (3; 1, 0 ; N ), (4; 1, 1 ; N ) átalakítható a következ vektoriális formára: [[1.0, 0.0, 0.0], [1.0, 0.0, 1.0], [1.0, 0.0, 2.0], [1.0, 1.0, 2.0]] egy a (2)-n látható egyszer lineáris transzformációval a kimeneti és az azonosságfüggvény alkalmazásával a bemeneti értékekre. 0.0 q = 0 M(q) = 1.0 q = L (2) 2.0 q = N Az átalakítás után - mivel vektoriális formában vannak - az eseménysorozatok távolsága is deniálható egy megfelel en választott távolságfüggvény segítségével (a legegyszer bb esetben például az Euklideszi távolsággal). 5
Csoportosítás. A gépi tanulásban széleskör en használt klasszikációs módszerként a k-means csoportosítás (clustering) (lásd [3]) felhasználható nominális és karakterisztikus eseménysorozatok meghibásodások szerinti csoportosítására is. Ennek a módszernek követelménye, hogy a sorozatok vektoriális formában legyenek leírva egy koordinátatérben, valamint hogy létezzen egy távolságmetrika deniálva ezen tér felett. Ez az algoritmus a sorozatok vektoriális reprezentációiból k különböz halmazt (klasztert) tud képezni azok koordinátatérbeli elhelyezkedése alapján. A klaszterek meghatározása (tanulásuk) az operátori eljárásra és a folyamatrendszerre vonatkozó megfelel számú nominális és hibás eseménysorozat felhasználásával történik. A klaszterek középpontjai (a centroidok) a folyamatrendszer hibamodelljeként is értelmezhet ek. 2.3. Dekompozíció diagnosztika közben Komponensek és komponens gráf. Sok esetben a folyamatrendszerek dekomponálhatóak különböz hasonló tulajdonságokkal rendelkez komponensekké (például tartályok, csövek, stb.), amik gyakran hasonló felépítés ek és hasonló hibákkal is rendelkeznek. Az eseménysorozat és a folyamatrendszer alapján a komponensekb l egy irányított komponens gráf készíthet, ahol a csúcsok a különböz komponensek az élek pedig azt a sorrendet reprezentálják, ahogy az eseménysorozat által leírt operátori eljárásban el fordulnak a komponensek. (Például ha A és B különböz tartálykomponensek, akkor egy irányított él van A és B között amennyiben B komponenst A után kezeli az eljárás.) Komponens-alapú diagnózis. Egy komponens gráf és egy mért eseménysorozat alapján, a gráf különböz komponensei egymástól elkülönülten diagnosztizálhatóak. A sorozat adott komponensre vonatkozó részei el állíthatóak egy komponens-specikus leképez függvény segítségével. A komponens eseménysorozatának birtokában a komponens a saját hibamodellje segítségével meg tudja határozni az esetleges meghibásodásait. A komponens diagnosztikák akár egymással párhuzamosan is futhatnak és segítségükkel a folyamatrendszer diagnosztikájának feladata dekomponálható. 6
3. Új tudományos eredmények 3.1. 1. tézis - a P-HAZID diagnózer ([O1], [O2], [O3], [O4]) Készítettem egy következtetési módszert, ami meggyelt és nominális eseménysorozatok deviációin alapulva képes diagnosztizálni hibákat komplex folyamatrendszerekben. A statikus BL-HAZID táblázat kiegészítéseként egy módszer-specikus P-HAZID táblázat került deniálásra, ami már használható dinamikus esetekben is, eseménysorozatok diagnosztikájára. Ezt a folyamatrendszer szakért i állítják össze és a módszer hibamodelljeként is szolgál. Javasoltam egy módszert, amivel különféle rendszer-meghibásodásokhoz vezet következtetési útvonalak készíthet ek a P-HAZID táblázatból. Ezekb l az útvonalakból egy következtetési fa készíthet, ami a diagnosztikai következtetés alapja. Az ismertetett diagnosztikai következtetés a meggyelt és a nominális eseménysorozatok deviációit és a következtetési fát felhasználva m ködik Bemutattam, hogy ez a következtetési módszer szoros rokonságban áll a hagyományos ha-akkor szabályokkal végzett következtetéssel is. 3.2. 2. tézis - csoportosításon alapuló diagnosztika ([O5]) Készítettem egy meggyelt bemenet-kimenet eseménysorozatokon alapuló diagnosztikai eljárást, ami el re megadott, ismert hiba-okok felderítésére használható. Nominális és hibás esetekb l származó eseménysorozatok egy transzformáció segítségével vektoriális formába alakíthatóak. A vektoriális formából a hibamodell egy csoportosítás nev gépi tanulásban használatos technikával kinyerhet. A hibamodell valójában klaszterközéppontok halmazaként is felfogható. 7
Diagnosztika során a meggyelt eseménysorozatot vektoriális formába transzformáljuk és egy megfelel en választott távolságfüggvénnyel meghatározzuk a hozzá legközelebb es klaszterközéppontot. A módszer képes a tanítóhalmazban lév mérési hibák tolerálására is. 3.3. 3. tézis - dekompozíciós módszer eseményalapú diagnosztikára ([O4]) Javasoltam egy magas szint diagnosztikai megközelítést, aminek segítségével a folyamatrendszerek esemény-alapú hibadiagnosztikájának NP-nehéz feladata dekomponálható a folyamatrendszer strukturális felépítése mentén. Kifejlesztettem egy dekompozíciós módszert, ami a folyamatrendszer és a kérdéses operátori eljárás alapján m ködik. A módszer képes egymástól függetlenül m köd alacsony szint komponensspecikus diagnózerek összekötésére, és a magas szint diagnosztikai feladat megoldására az általuk talált alacsony szint meghibásodások alapján. Lehet ség van különböz típusú komponens-diagnózerek használatára más-más komponensek esetében. Lehet ség van a hibamodell megosztására a komponens diagnózerek között, annak érdekében hogy a modell mérete és komplexitása mérsékl djön. Saját publikációk [O1] A. Tóth and K. M. Hangos and Á. Werner-Stark. HAZID information based operational procedure diagnosis method. 12th International PhD Workshop on Systems and Control. ISBN 978-615-5044-71-7. Pages 1-6. Veszprém, Hungary. 2012. [O2] A. Tóth and K. M. Hangos and Á. Werner-Stark. A model based diagnosis method for discrete dynamic processes using event sequences. Factory Automation 2013 Conference. Veszprém, Hungary. 2013. 8
[O3] A. Tóth and K. M. Hangos and Á. Werner-Stark. A structured modelbased diagnosis method for discrete dynamic processes using event sequences. In Hungarian Journal of Industry and Chemistry. Volume 41, pages 59-64. 2013. [O4] A. Tóth and Á. Werner-Stark and K. M. Hangos. A structural decomposition-based diagnosis method for dynamic process systems using HAZID information. In Journal of Loss Prevention in the Process Industries. Volume 31. Pages 97-104. 2014. Impakt Faktor: 1.409. [O5] A. Tóth and K. M. Hangos. A diagnostic method based on clustering qualitative event sequences. In Computers and Chemical Engineering. Volume 56. Pages 58-70. 2016. Impakt Faktor: 2.581. Bibliográa [1] W.M.P. van der Aalst and B.F. van Dongen and C.W. Gunther et al. ProM 4.0: Comprehensive support for real process analysis. 28th International Conference on Applications and Theory of Petri Nets and Other Models of Concurrency, ICATPN 2007. Volume 4546. Pages 484 494. Berlin. 2007. [2] E. Alpaydin. Soft vector quantization and the EM algorithm. In Neural Networks. Volume 11. Pages 467477. 1998. [3] E. Alpaydin. Introduction to Machine Learning, Second Edition. The MIT Press. 2010. Cambridge, Massachusets, London, England. [4] A.K. Alves de Medeiros and A. Guzzo and G.Greco et al. Process Mining Based on Clustering: A Quest for Precision. In Business Process Management Workshops. Volume 4928. Pages 1729. Springer Berlin Heidelberg. Berlin. 2008. ISBN 978-3-540-78237-7. [5] A. Bregon et al. An event-based distributed diagnosis framework using structural model decomposition. In Articial Intelligence. Volume 210. Pages 135. 2014. [6] Analysis techniques for system reliability - Procedure for failure mode and eects analysis (FMEA). Standards Australia. AS IEC 60812-2008. 2008. 9
[7] H. A. Gabbar. Improved qualitative fault propagation analysis. In Journal of Loss Prevention in the Process Industries. Volume 20. Pages 260 270. 2007. [8] K.M. Hangos, J. Bokor and G. Szederkényi. Analysis and Control of Nonlinear Process Systems. Pages 819. Springer-Verlag. London. 2004. [9] Hazard and operability studies (HAZOP studies) Application Guide. Standards Australia. AS IEC 61882-2003. 2003. [10] J. MacGregor, A. Cinar. Monitoring, fault diagnosis, fault-tolerant control and optimization: Data driven methods. In Computers and Chemical Engineering. Volume 47. Pages 111120. 2012. [11] E. Németh and I. T. Cameron. Cause-Implication Diagrams for Process Systems: Their Generation, Utility and Importance. In Chemical Engineering Transactions. Volume 31. Pages 193-198. 2013. [12] S. J. Qin. Survey on data-driven industrial process monitoring and diagnosis. In Annual Reviews on Control. Volume 36. Pages 220-234. 2012. [13] Á. Werner-Stark and Erzsébet Németh and K. M. Hangos. Knowledge- Based Diagnosis of Process Systems using Procedure HAZID Information. In 15th International Conference on Knowledge-Based and Intelligent Information and Engineering Systems. Pages 385394. 2011. [14] S. Yin and S. X. Ding and A. Haghani and H. Hao and P. Zhang. A comparison study of basic data-driven fault diagnosis and process monitoring methods on the benchmark Tennessee Eastman process journal. In Journal of Process Control. Volume 22. Pages 15671581. Elsiever Ltd. 2012. [15] L.A.Zadeh. Fuzzy logic and approximate reasoning. In Synthese. Volume 30(3-4). Pages 407428. 1975. 10