search query: @keyword paperikone / total: 27
reference: 24 / 27
Author: | Rinta-Runsala, Esa |
Title: | Paper Machine Monitoring Using Self-Organizing Neural Networks |
Paperikoneen monitorointi itseorganisoituvilla neuroverkoilla | |
Publication type: | Master's thesis |
Publication year: | 2000 |
Pages: | vi + 74 Language: eng |
Department/School: | Teknillisen fysiikan ja matematiikan osasto |
Main subject: | Sovellettu matematiikka (Mat-2) |
Supervisor: | Ehtamo, Harri |
Instructor: | Kiviniemi, Jukka |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark TF80 | Archive |
Keywords: | paper machine monitoring self-organizing map adaptive resonance theory wavelets paperikone monitorointi itseorganisoituva kartta adaptiivinen resonanssiteoria aallokkeet |
Abstract (fin): | Työ perustuu VTT Tietotekniikan yhteistyökumppanin esittämään paperikoneiden monitorointiin liittyvään käytännön ongelmaan. Paperikone on monimutkainen prosessi monitoroida, ja prosessin monitoroinnin automatisointi on tarpeen. Automaattisessa paperikoneen monitoroinnissa kerättyjä mittauksia verrataan aikaisempiin mittauksiin ja tehdään päätelmiä koneen tilasta näihin vertailuihin perustuen. Työssä mitatut signaalit ovat paperikoneen telojen nopeus ja momentti sekä teho ja verkkojännite. Asiantuntijahaastatteluissa monitorointiongelma pelkistyi tarpeeksi havaita prosessisignaalien epänormaalit muutokset. Työssä kuvataan ja testataan kahta monitorointiprototyyppiä. Toinen prototyypeistä perustuu itseorganisoituvalle kartalle ja toinen adaptiiviselle resonanssiteorialle. Kummankin prototyypin syötteenä käytetään mitattujen signaalien aallokekertoimia. Prototyyppejä testataan kuudella mittausjakson aikana sattuneella epätavallisella ilmiöllä. Itseorganisoituvaa karttaa käyttävä prototyyppi opetetaan normaalidatalla ja havaittujen prosessitilojen kvantisointivirhettä käytetään epänormaaliuden indikaattorina. Kvantisointivirhettä voidaan käyttää joko pehmeänä mittana tai kynnystämällä luokitella tilat normaaleihin ja epänormaaleihin. Itseorganisoituvaa karttaa käyttävä lähestymistapa antaa lupaavia tuloksia, sillä useimmat testi-ilmiöt havaitaan kvantisointivirheen nousuna. Adaptiiviseen resonanssiteoriaan perustuvaa prototyyppiä ei tarvitse opettaa, vaan prosessitilat luokitellaan sitä mukaa, kun ne havaitaan. Jos prototyyppi on tavannut samankaltaisen tilan aiemmin, uusi prosessitila luokitellaan aiempaa tilaa vastaavaan luokkaan. Muussa tapauksessa luodaan uusi luokka. Prototyyppi osoittautui liian herkäksi prosessin häiriöille ja kohinalle, eikä testi-ilmiöitä havaittu kunnolla. Ilmiöitä luokiteltiin useisiin luokkiin yhden sijaan tai ilmiön alku havaittiin epäluotettavasti. Prototyyppien monitorointikyvyn lisäksi vertaillaan niiden käytettävyyttä ja automatisoinnin helppoutta. Vertailuun perustuen esitetään työssä implementaatioehdotus itseorganisoituvalle kartalle perustuvasta monitorointijärjestelmästä. Ehdotuksessa käytetään prosessin arkistotietokantaa kartan off-line opettamiseen ja reaaliaikatietokantaa prosessin monitorointiin. Lisäksi käydään läpi monitorointijärjestelmän vaatimuksia, rajoituksia ja joitakin ajatuksia järjestelmän jatkokehittämistä silmällä pitäen. |
ED: | 2001-01-19 |
INSSI record number: 16156
+ add basket
INSSI