Fault diagnosis through a hybrid symbolic-connectionist approach and via artificial neural networks

Abstract

ÖZET Bilgi tabanlı sistemlerde bilgi kazanma sürecinin otomasyonu makina öğrenmesi teknikleriyle gerçekleştirilmiştir. Güney Florida üniversitesinde geliştirilmiş olan bir melez makina öğrenmesi algoritması (SC-net) bilgi elde etme sorununu örneklerden tümevarımsal öğrenme yardımıyla bilgi tabam oluşturmak ve geliştirmek yolu ile çözmektedir. Sistem kurallar şeklinde bilgi çıkarılmasına ve eklenmesine olanak tanımaktadır. (' ' Bu sistemin hata tanısı amaçlı kullanılmaya uygunluğu FORTRAN tabanlı bir hidroklorinasyon fabrikası hata çözücü sistemi kullanılarak gösterilmiştir. Öğrenen sistemin performansı örnek problemlerden çıkarılmış bilgi ve test problemlerindeki sınıflandırma doğruluğu ışığında açıklanmıştır. Tezin ikinci kısmında yapay sinir ağlan hidroklorinasyon fabrikasında hata tanısı için kullanılmıştır. Doğrusal aktivasyon fonksiyonlu geriletimli sinir ağlan (BPN) ve eliptik aktivasyon fonksiyonlu sinir ağlan (Kavuri) kullanılmıştır. Hiyerarşik sıralanmış doğrusal aktivasyon fonksiyonlu sinir ağlarındaki oluşan ve melez doğrusal aktivasyon fonksiyonlu ve eliptik aktivasyon fonksiyonlu sinir ağlarından oluşmuş iki hata tanısı sistemi önerilmiştir. Bunların sınıflandırma performanslan test problemleri üzerinde gösterilmiştir. Aynca heptandan toluene bir reaktör sistemi üzerinde bu yapay sinir ağı çeşitlerinin tanısal özellikleri, kimyasal süreç hata tanısına uygunluk ve güveninirlikleri tartışılmıştır.

IV ABSTRACT Automation of the knowledge acquisition process in building knowledge-based systems is addressed through machine learning techniques. A hybrid machine learning algorithm developed at the University of South Florida named as Symbolic-Connectionist net (SC-net) addresses the knowledge acquisition problem by developing and maintaining the knowledge base through inductive learning from examples. The learning system allows for knowledge extraction and background knowledge encoding in the form of rules. The applicability of the learning system is illustrated through fault diagnosis in a FORTRAN-based trouble-shooting system for a hydrocarbon chlorination plant. The performance of the learning system is discussed in terms of the knowledge extracted from example cases and its classification accuracy on the test cases. For the second part of the thesis Artificial Neural Networks (ANN) are used for fault diagnosis for the hydrocarbon chlorination plant. Backpropagation neural networks with linear activation functions (BPN) and with ellipsoidal activation functions (ENN) (Kavuri) are used. Two different diagnostic systems are presented using hierarchically ordered BPNs and a hybrid combination of BPNs and ENNs. Their classification accuracies on the test cases are discussed. Also the diagnostic properties of these ANN types and their suitability and reliability for chemical process fault diagnosis is criticized on a heptane-to-toluene reactor case.