haku: @keyword fault detection and diagnosis / yhteensä: 3
hakutulos-lista
viite: 2 / 3
« edellinen | seuraava »
Tekijä:Landman, Rinat
Työn nimi:Data-driven causal analysis and its application on a large-scale board machine
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2013
Sivut:xii + 133 s. + [37]      Kieli:   eng
Koulu/Laitos/Osasto:Biotekniikan ja kemian tekniikan laitos
Oppiaine:Prosessien ohjaus ja hallinta   (Kem-90)
Valvoja:Jämsä-Jounela, Sirkka-Liisa
Ohjaaja:Tikkala, Vesa-Matti
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  1885   | Arkisto
Avainsanat:causal model
diagraph
fault detection and diagnosis
FDD
cross-correlation
granger causality
frequency domain
Tiivistelmä (eng): In large-scale chemical processes, disturbances can easily propagate through the process units and thereby adversely affect the overall process performance.
In recent years, causal analysis has played a key role in the diagnosis of plant wide disturbances.
Causal analysis can disclose the root cause and reveal the path in which the disturbance propagated.
Data-driven causal analysis utilizes historical process data in the form of time series and examines to what extent the time series influence each other.
If directionality between time series is inferred, it is taken as an evidence for a cause-and-effect relationship.
Data driven causal analysis can efficiently complement knowledge-based causal analysis and provide valuable insights on process dynamics with minimal efforts.

The aim of this thesis is to apply several data-based causal analyses on an industrial case study of a paper board machine and to evaluate the effectiveness of each method.
The theoretical part of this thesis provides an overview of the main data-based methods for identifying causal relationships between time series.
The experimental part contains a detailed description of the process case-study.
The analysis focused on the drying section of the board machine due to its importance in the board making process and the high share of faults associated with this section.

The time domain and frequency domain methods for detecting causal influences were applied to the investigated case study.
The outcome of each method was a causal model in the form of a directed graph describing the influences among the variables in the process.
All the methods applied were able to identify the most powerful interactions between the variables.
However, all the methods produced somewhat spurious results; thus, process knowledge was found to be essential in the modelling procedure.

In addition, root cause analysis based on the cross-correlation and the frequency domain methods was successfully applied and the root cause of the disturbance was identified.

In the future, other non-linear data-based methods could be employed in order to supplement the linear methods applied in this study.
ED:2013-08-07
INSSI tietueen numero: 47030
+ lisää koriin
« edellinen | seuraava »
INSSI