روش های تشخیص عیب بر مبنای ترکیب داده

در این مقاله، به بیان ادامه ی مطالب گفته شده در مقاله ای که در شماره ی پیشین ماهنامه ی صنعت هوشمند با همین عنوان چاپ شد با تمرکز بر روی روش های تشخیص عیب برمبنای ترکیب داده پرداخته شده است. روش های متداول ترکیب داده نظیر تابع وزنی، تئوری شواهد، فیلتر کالمن، شبکه عصبی و انتگرال فازی برای تشخیص عیب با بیان نقاط ضعف و قوت مطرح گردیده است و نمونه کاربرد های این روش ها در فرآیند های صنعتی برای تشخیص عیب مورد بررسی قرار گرفته است. 1- مقدمه در بخش نخست این مقاله به بررسی روش های تشخیص عیب پرداخته شد. روش هایی نظیر روش های مبتنی بر پردازش سیگنال، روش ها ی مبتنی بر مدل، روش های هوش مصنوعی و ترکیب داده برای تشخیص عیب در فرآیند های صنعتی استفاده می شود. روش های مبتنی بر مدل در شناسایی و تشخیص عیب کاربرد فراوانی دارند که نیازمند مدل دقیق از سامانه می باشند. از آنجایی که اکثر سامانه های صنعتی پیچیده هستند و عملکرد غیرخطی دارند به دست آوردن مدل های ریاضی دقیق با صحت بالا از این فرآیندها بسیار پیچیده، زمان بر و در مواردی ناشدنی است. در عمل عدم قطعیت های شدید مدل سازی در اثر انحراف پارامترها رخ می دهند که به شکل عدم قطعیت مدل می شوند، این موضوع محدودیت کلی برای چنین روش هایی می باشد همچنین اگر عیب مدل نشده باشد هیچ تضمینی برای آشکارسازی عیب با این روش وجود ندارد.]1[ روش های مبتنی بر پردازش سیگنال یکی دیگر از روش های تشخیص عیب است که با استفاده از تحلیل سیگنال های سامانه به تشخیص عیب سامانه می پردازد. این روش نیازمند مدل برای توصیف سامانه و عیوب رخ داده در سامانه نمی باشد، بلکه فقط از طریق سیگنال های دریافتی از حسگر ها وضعیت سامانه را مورد ارزیابی قرار می دهد. یکی از مشکلات اصلی این روش ها، سیگنال های اطلاعاتی است که معمولاً آغشته به نویز هستند که می تواند منجر به خطا در تعیین وضعیت سامانه شود. نقطه ضعف اصلی روش های داده مبنا این است که این روش ها رابطه ی متقابل دینامیکی بین سیگنال های اندازه گیری شده ی سامانه را در نظر نمی گیرند که در نتیجه منجر به تولید هشدار های اشتباه متعدد در سامانه ی تشخیص می شود. به منظور رفع این مشکل و کارکرد مطمئن، نوعی افزونگی لازم است که سازگاری بین اندازه گیری های چندگانه را بررسی نماید. روش های

Continue reading