Event-driven approach for Tennessee Eastman process

Abstract

As the Industrial Internet of Things is becoming more and more common, the amount of sensor data transferred inside systems is getting bigger and bigger. The amount of data comes easily so large that it effects to the performance of the operating system, so there is an obvious need to reduce this data. Data reduction for the system shouldn’t be done at the expense of the reliability and the effectiveness of failure detection of the system and in this study, Threshold and Delta methods of event-driven filtering in Tennessee Eastman process were studied to explore the possibility to prevent the quality drop in failure detection. Eventdriven filtering methods were used to resample data sets from Tennessee Eastman process, data sets which were originally made for testing of failure detection. To verify the results of compressing the data without causing problems to the fault detection, a research which was using principal component analysis was included to the process. Those original fault data sets from Tennessee Eastman process were used in that research and the regenerated fault data sets of this study were generated over and over again with multiple different compression ratios to achieve reliable results on the effectiveness of event-driven filtering in Tennessee Eastman process. These tested methods were confirmed to work properly to a certain, fairly high degree of compression ratios.

Teollisen esineiden internetin tullessa yhä yleisemmäksi, järjestelmien sisäisesti lähettämän anturidatan määrä kasvaa yhä suuremmaksi ja suuremmaksi. Datan määrä kasvaa helposti niin suureksi että se vaikuttaa operoivan järjestelmän suorituskykyyn jolloin tarve vähentää tätä määrää on ilmeinen. Järjestelmän lähettämän datan vähentämistä ei ole kuitenkaan syytä tehdä virheentunnistusmenetelmän luotettavuuden ja suorituskyvyn kustannuksella ja tässä tutkimuksessa keskityttiinkin raja-arvo- ja delta-menetelmien tapahtumapohjaiseen suodatukseen Tennessee Eastman prosessissa, tavoitteena estää virheentunnistuskyvyn laadun alentuminen. Tapahtumapohjaisen suodatuksen menetelmiä käytettiin muokkaamaan alun perin Tennessee Eastman prosessissa virheentunnistusmenetelmien testaukseen luotuja datajoukkoja. Jotta voitiin todentaa ettei datajoukon muokkaaminen pakkaamalla aiheuta ongelmia virheentunnistusmenetelmälle, työhön sisällytettiin tutkimus jossa käytettiin pääkomponenttianalyysia. Sisällytetyssä tutkimuksessa käytettiin Tennessee Eastman prosessin alkuperäisiä datajoukkoja ja tässä työssä muokatut datajoukot luotiin uudelleen ja uudelleen eritasoisilla pakkaussuhteilla jotta saavutettaisiin luotettavat tulokset Tennessee Eastman prosessin tapahtumapohjaisen suodatuksen testauksessa. Tutkitut menetelmät todettiin toimiviksi eräillä, melko korkeankin asteen pakkaussuhteilla.