Abstract
On-line process monitoring schemes are designed to give early warnings of process faults. In the artificial intelligence and machine learning fields, reliable approaches have been utilized, such as kernel-based nonlinear techniques. This work presents a kernel-based empirical monitoring scheme with a small sample problem. The measurement data of normal operations are easy to collect, whereas special events or faults data are difficult to collect. In such situations, noise filtering techniques can be helpful in enhancing the process monitoring performance. This can be achieved by the preprocessing of raw process data and eliminating unwanted variations of data. In this work, the performance of several monitoring schemes was demonstrated using three-dimensional batch process data. The results showed that the monitoring performance was improved significantly in terms of the detection success rate.
실시간 공정 감시 체계는 공정에서 발생된 이상상황을 조기에 감지하도록 설계된다. 공정 감시를 위해 패턴 인식과 머신 러닝 분야에서 비선형 방법론을 비롯한 다양한 방법들이 사용되고 있는 상황이다. 본 연구에서는 데이터의 불균형이 존재하는 공정으로부터 얻은 데이터에 기반한 공정 감시 모델을 제시한다. 정상 조업영역의 과거 데이터는 쉽게 얻을 수 있지만 특정 이상 상황에 대한 이상 데이터는 상대적으로 많지 않다. 이러한 상황에서는 필터링 방법의 활용이 공정 감시 성능 향상에 도움이 될 수 있는데 이는 데이터 모델링에 필요 없는 데이터 산포를 제거하거나 필터링함으로써 달성된다. 본 연구에서는 다양한 선형 및 비선형 방법에 기반한 모니터링 모델들의 감시 성능을 회분식 공정 데이터를 활용하여 비교 검증하였으며 이를 통해 향상된 감시 성능을 얻을 수 있었다.