Korean Chemical Engineering Research

The Korean Institute of Chemical Engineers (한국화학공학회)
권호 표지

Missing Value Estimation and Sensor Fault Identification using Multivariate Statistical Analysis

다변량 통계 분석을 이용한 결측 데이터의 예측과 센서이상 확인

  • 이창규 (포항공과대학교 화학공학과) ;
  • 이인범 (포항공과대학교 화학공학과)
  • Received : 2006.10.31
  • Accepted : 2007.01.09
  • Published : 2007.02.28
Download PDF
⟨ Previous Next ⟩

Abstract

Recently, developments of process monitoring system in order to detect and diagnose process abnormalities has got the spotlight in process systems engineering. Normal data obtained from processes provide available information of process characteristics to be used for modeling, monitoring, and control. Since modern chemical and environmental processes have high dimensionality, strong correlation, severe dynamics and nonlinearity, it is not easy to analyze a process through model-based approach. To overcome limitations of model-based approach, lots of system engineers and academic researchers have focused on statistical approach combined with multivariable analysis such as principal component analysis (PCA), partial least squares (PLS), and so on. Several multivariate analysis methods have been modified to apply it to a chemical process with specific characteristics such as dynamics, nonlinearity, and so on.This paper discusses about missing value estimation and sensor fault identification based on process variable reconstruction using dynamic PCA and canonical variate analysis.

최근 공정의 이상을 감지하고 진단하기 위한 공정 모니터링 시스템의 개발이 공정 시스템 분야에서 많은 주목을 받고 있다. 공정으로부터 얻어지는 데이터는 공정의 특성에 대한 유용한 정보를 제공하고 이는 공정의 모델링과 모니터링 그리고 제어에 사용된다. 현대의 화학 및 환경 공정은 고차원적인 특성과 변수간의 강한 상관관계와 동특성 그리고 비선형적 특성을 가지고 있어 모델 기반 접근을 통해 공정을 분석하는 것을 쉽지 않다. 이러한 모델 기반 접근의 한계를 극복하기 위해 많은 시스템 엔지니어와 연구자들이 주성분 분석법(principal component analysis, PCA) 또는 부분 최소 자승법(partial least squares, PLS)과 같은 다변량 분석을 접목한 통계 기반 접근법에 초점을 맞추고 있다. 또한 동특성, 비선형성 등과 같은 특성을 가진 공정에 적용하기 위해 많은 다변량 분석법들이 보완되었다. 여기에서는 동적 주성분 분석법(dynamic PCA)과 케노니컬 변수 분석법(canonical variate analysis)을 이용한 결측 데이터의 예측법과 공정 변수의 복원을 통한 센서 오작동의 판별법에 대해 언급해 보고자 한다.

Keywords

References

  1. MacGregor, J. F. and Kourti, T., 'Statistical Process Control of Multivariate Processes,' Cont. Eng. Prac., 3(3), 403-414(1995) https://doi.org/10.1016/0967-0661(95)00014-L
  2. Choi, S. W., Lee, C., Lee, J.-M., Park, J. H. and Lee, I.-B., 'Fault Detection and Identification of Nonlinear Processes Based on Kernel PCA,' Chem. Int. Lab. Sys., 75, 55-67(2005) https://doi.org/10.1016/j.chemolab.2004.05.001
  3. Cho, J.-H., Choi, S. W., Lee, D. and Lee, I.-B., 'Fault Identification for Process Monitoring Using Kernel Principal Component Analysis,' Chem. Eng. Sci., 60, 279-288(2005) https://doi.org/10.1016/j.ces.2004.08.007
  4. Ku, W., Storer, R. H. and Georgakis, C., 'Disturbance Detection and Isolation by Dynamic Principal Component Analysis,' Chem. Int. Lab. Sys., 30, 179-196 (1995) https://doi.org/10.1016/0169-7439(95)00076-3
  5. Nelson, P. R. C., Taylor, P. A. and MacGregor, J. F., 'Missing Data Methods in PCA and PLS; Score Calculations with Incomplete Observations,' Chem. Int. Lab. Sys., 35, 45-65(1996) https://doi.org/10.1016/S0169-7439(96)00007-X
  6. Russell, E. L., Chiang, L. H. and Braatz, R. D., 'Fault Detection in Industrial Processes Using Canonical Variate Analysis and Dynamic Principal Component Analysis,' Chem. Int. Lab. Sys., 51, 81-93 (2000) https://doi.org/10.1016/S0169-7439(00)00058-7
  7. Negiz, A. and Cinar, A., 'Statistical Monitoring of Multivariable Dynamic Processes with State Space Model,' AIChE J., 43, 2002-2020(1997) https://doi.org/10.1002/aic.690430810
  8. Arteaga, F. and Ferrer, A., 'Dealing with Missing Data in MSPC: Several Method, Different Interpretations, Some Examples,' J. Chemometrics, 16, 408-418(2002) https://doi.org/10.1002/cem.750
  9. Lee, C., Choi, S. W. and Lee, I.-B., 'Variable Reconstruction and Sensor Fault Identification Using Canonical Variate Analysis,' J. Process Control, 16, 747-761(2006) https://doi.org/10.1016/j.jprocont.2005.12.001
  10. Larimore, W. E., 'Canonical Variate Analysis in Identification, Filtering, and Adaptive Control,' Proceedings of IEEE Conference on Decision and Control, Honolulu, Hawaii, 596-604(1990)
  11. Yoon, S. and MacGregor, J. F., 'Fault Diagnosis with Multivariate Statistical Models Part I: Using Steady State Fault Signatures,' J. Process Control, 11, 387-400(2001)
  12. Willemain, T. R. and Runger, G. C., 'Designing Control Charts Using an Empirical Reference Distribution,' J. Quality Technology, 28, 31-38(1996) https://doi.org/10.1080/00224065.1996.11979634
  13. Marlin, T. E., Process Control, McGraw-Hill, New York(1995)
  14. Conference report, 'Abnormal Situation Detection and Projection Methods-industrial Applications,' Chem. Int. Lab. Sys., 76, 215-220(2005) https://doi.org/10.1016/j.chemolab.2005.01.002
  15. Lee, C., Choi, S. W., Lee, J.-M. and Lee, I.-B., 'Sensor Fault Identification in MSPM Using Reconstructed Monitoring Statistics,' Ind. Eng. Chem. Res., 43(15), 4293-4304(2004) https://doi.org/10.1021/ie034246z