Proses eğitim mühendisliğinde çok değişkenli istatistiksel yöntemler

Abstract

ÖZET Doktora Tezi PROSES SİSTEM MÜHENDİSLİĞİNDE ÇOK DEĞİŞKENLİ İSTATİSTİKSEL YÖNTEMLER Levent AKÇAY Ankara Üniversitesi Fen Bilimleri Enstitüsü Kimya Mühendisliği Anabilim Dalı Danışman : Prof. Dr. Rıdvan BERBER lüstriyet proseslerde en büyük sorunlardan bir tanesi, birbiriyle ilişkili çok sayıda değişkenden sürekli olarak ian çok sayıdaki veri demetini değerlendirmektir. Böyle durumlarda, istatistiğin uygulamalı dallarından biri a çok değişkenli analiz yöntemlerine başvurulabilir. Burada amaç, mevcut veri demetim birbirinden bağımsız at gerçek proses değişkenlerine bağlı, daha az sayıda yeni değişkenle ifade etmek ve sistemi olabildiğince it bir yapıya döndürmektir. Literatürde bu alanda değişik yöntemler varsa da bunların proses sistem endüstrilerinde veya kimyasal proses endüstrilerinde kullanımı oldukça sınırlıdır. çalışmada, çok değişkenli analiz yöntemlerinin kimyasal proseslerde proses izleme ve hata bulma amacı ile lanılması karşılaştırmalı olarak gösterildi Veri setleri, NIPALS ve Kernel algoritmaları esasına dayalı Temel eşenler Analizi ve Kısmi En Küçük Kareler yöntemlerinden faydalanarak istatistiksel modeller kurulması uyla analizlendi Model sonuçları kullanılarak Hotelling T2, öngörme hatalarının karesi ve 'skor' grafikleri İMİ Bu grafikler sayesinde aykın gözlemler (hatalar ya da kontrol dışında kalan noktalar) bulundu. Önceden lenmiş yöntemlere ek olarak hatalı gözlemleri saptamak için büyük gözlem uzaklığı grafiklerinden de arlanıldı. Hatalı gözlemler belirlendikten sonra, hangi değişken ya da değişkenlerin bu dununa neden okluğu ki grafikleri yardımıyla bulundu. Kesikli prosesler için, iyi ve kötü dolurnlann (batch) aynmında benzemezlik ffflr^' tiavrqilll tmllfmılrlı k değişkenli istatistiksel tekniklerin bilgisayar ortamında kolayca uygulanmasını sağlamak üzere SPAC arisriksel Proses Analiz ve Kontrol) adı verilen bir yazılım MATLAB® 6.0 ortamında programlandı. Halen Tim dışı (off line) olarak kullanılabilen bu yazılım, özel grafiksel kullanıcı ara yüzü sayesinde dışarıdan lamanın girdiği verileri incelenen tüm yöntemlerle analizlemekte, sonuçlan grafiksel olarak göstermektedir. : alınan yöntemlerin etkinliğini göstermek üzere, geliştirilen yazılım kullanılarak, kesikli ve sürekli seslerden elde edilen ölçüm verileri analizlendi. Bu amaçla, dördü Utetarürden alınan proses benzetim vensı, si endüstriyel ekmek mayası ve tekstil tutkalı üretim proseslerinden alman gerçek veri olmak üzere altı veri neti analizlendi Farklı yöntemlerin sonuçlan irdelenerek birbirleri ile karşılaştırıldı ve kıyaslamalı genel bir leriendirme yapıldı. Sonuçlar, geliştirilmeye açık olan yazılımın endüstriyel ortamda proses izleme ve hata İmada yardımcı olacak nitelikte olduğunu göstermektedir. 03, 161 sayfa İAHTAR KELİMELER : Çok Değişkenli İstatistiksel Proses Analiz, Temel Bileşenler Analizi Kısmi En içuk Kareler, Proses İzleme. Hata Tanımlama.

ABSTRACT Ph.D. Thesis MULTIVARIATE STATISTICAL METHODS IN PROCESS SYSTEMS ENGINEERING Levent AKÇAY Ankara University Department of Chemical Engineering Supervisor : Prof. Dr. Rıdvan BERBER e of the major problems in industrial processes is to handle huge amount of data being collected from various iables, which are interrelated. This situation, resulting from continuous and frequent data collection, causes isiderable difficulties in analysis and interpretation. In such cases, multivariate methods, which comprise an portant branch of statistical applications, are used. The idea in using these methods is to represent the whole of data in reduced form by defining new variables independent from each other, but dependent on actual cess variables. Although quite a number of multivariate statistical methods can be found in literature, their > in process systems engineering - or chemical processing industries in special - is still very limited this study, the use of the multivariate statistical methods for process monitoring and Emit diagnosis purposes Aemical processing industries is demonstrated in a comparative manner. A representative statistical model for whole set of observations under consideration was created by analyzing the data set by Principle Component alysis and Partial Least Square methods, based on NIPALS and Kernel algorithms. Making use of this model, telling T2, Square Predicted Error and score graphs were created. These graphs identified outliers, in other rds faults (or points that are somehow out of control) in the observations. In addition to the previously ployed techniques, this work also combined the method of Leverage graphs into the fautt diagnosis procedure. : possible causes of the identified faults were then determined by utilizing the contribution graphs, which wed the share of each variable in the occurrence of the respective fault For batch processes, the concept of dissimilarity index was introduced into data analysis for die purpose of identifying good and bad batches. :h analysis allows the detection of a prospective om-of-spec product by considering the historical data set of t successful batches. specific software, coded in MATLAB* 6.0 and called SPAC (Statistical Data Analysis and Control), was eloped to implement these techniques in computer environment, currently in off-line mode. The software h an easy-to-use interactive graphical user interface, takes the dam entered by the user, perforins the type of lysis required, displays the results in graphical form, and thus, provides a promising monitoring and diagnosis I for real industrial environment lulated and real process data, from both continuous and batch operations, were used to illustrate the ctiveness of methods studied. Out of six sets of data considered, four were from simulated processes racted from literature and remaining two were taken from actual industrial processes, namely baker's yeast 1 textile glue production. The results of different techniques employed were compared to each other and an rail assessment was made, which indicated the possibility of further use for the developed software in ustrial processes. 3, 161 pages 1 Words : Multivariate Statistical Methods, Principal Component Analysis, Partial Least Squares, Process Monitoring, Fault Diagnosis.