Hierarchically Distributed Fault Detection and Identification through Dempster–Shafer Evidence Fusion

Abstract

Due to the sheer size and complexity of modern chemical processes, single centralized monolithic monitoring strategies are not always well suited for detecting and identifying faults. In this paper, we propose a framework for distributed fault detection and identification (FDI), wherein the process is decomposed hierarchically into sections and subsections based on a process flow diagram. Multiple hierarchical FDI methods at varying levels of granularity are deployed to monitor the various sections and subsections of the process. The results from the individual FDI methods contain mutually nonexclusive fault classes at different levels of granularity. We propose an adaptation of the Dempster–Shafer evidence theory to combine these diagnostic results at different levels of abstraction. The key benefits of this scheme as demonstrated through two case studiesa simulated CSTR-distillation column system and the Tennessee Eastman challenge processare improved diagnostic performance compared to individual FDI methods, robust localization of even novel faults, and a coherent explanation of the entire plant’s state.

Decision fusion systems for fault detection and identification in industrial processes

“…The effectiveness of this approach was demonstrated for detecting failure in a diesel engine cooling system. Kaushik Ghosh [28] proposed a framework for distributed fault detection and identification and adapted the Dempster-Shafer evidence theory to combine these diagnostic results at different levels of abstraction.…”

Multiblock Independent Component Analysis Integrated with Hellinger Distance and Bayesian Inference for Non-Gaussian Plant-Wide Process Monitoring

“…Process monitoring has gained increasing attention in recent decades [1][2][3][4][5][6] with the increasing demand for product quality and process safety. Data-based process monitoring, particularly multivariate statistical process monitoring (MSPM) methods have become very popular and progressed quickly 2,[5][6][7][8][9] with the development of data gathering and computing technology.…”

Métodos de detección y diagnóstico de fallos mediante aproximaciones distribuidas: modelos, métodos y computación

“…Es imposible encontrar un método que sea más eficaz que los demás en cualquier tipo de situación, y mucho menos cuando se trabaja en plantas de gran complejidad [Ng and Srinivasan, 2010, Ghosh et al, 2011b, Zhang and Ge, 2015. Usualmente, se suele trabajar con un sólo método FDI, pero en los últimos años se han presentado propuestas que aplican varios métodos trabajando de forma paralela que procesan toda la información recogida en la planta y fusionarlos, de forma que al combinar un conjunto de métodos se puedan aprovechar las fortalezas de cada uno de ellos y compensar las debilidades [Dasarathy and Sheela, 1979, Hansen and Salamon, 1990, Ghosh et al, 2011a. Cuanto mayor diversidad de métodos se utilicen mejor será el resultado obtenido, esto se debe a que cada uno de los métodos aplicados trabajará con un modelo o visión de la planta diferente a la del resto de métodos, y, por tanto, cada método presentará errores diferentes a los de los demás.…”

“…Este aspecto CAPÍTULO 2. ESTADO DEL ARTE es de vital importancia ya que no siempre los métodos utilizados van a dar el mismo resultado de diagnosis [Ghosh et al, 2011a].…”

“…En el método desarrollado por [Ghosh et al, 2011a], que se basa en clasificación de fallos, se toman los resultados de seis métodos FDI distintos: análisis de componentes principales (PCA), análisis de componentes independientes (ICA), kernel PCA, k vecinos más cercanos (KNN), análisis del discriminante de Fisher, y redes neuronales artificiales; en la siguiente etapa se fusionan los resultados de cada método usando un tipo de fusión denominando Dempster-Shafer que combina las evidencias proporcionadas por diversas fuentes para obtener una decisión final con un cierto grado de creencia. Finalmente, se aplica un sistema de fusión selectiva que elimina del proceso aquellos clasificadores que presentan un alto grado de similitud con otros.…”