تشخیص نرخ عدم تشخیص خطای تغییر ناگهانی متغیرها در فرآیند تنسی ایستمن به روش شبکه های عصبیWORD93

 فهرست مطالب

فهرست جدول­ها ح

فهرست شکل­ها ط

چکیده 1

فصل 1- مقدمه 2

1-1- مقدمه 3

1-2- ضرورت عیب­یابی. 3

1-3- هدف از انجام تحقیق. 4

1-4- مروری بر کارهای انجام شده4

1-5- ساختار پایان­نامه5

فصل 2- بررسی انواع روشهای تشخیص و شناسایی خطا6

2-1- مقدمه 7

2-2- دسته­بندی روش­های شناسایی خطا7

2-2-1- روش­های مبتنی بر مدل کمی. 8

2-2-2- روش­های مبتنی بر مدل کیفی. 9

2-2-3- روش­های مبتنی بر داده10

فصل 3- معرفی روش آنالیز مولفه­ی اصلی و شبکه­های عصبی مصنوعی. 12

3-1- مقدمه 13

3-2- روش آنالیز مولفه­ی اصلی 14

3-3- شبکه­های عصبی. 18

3-3-1- تک­نرون به­عنوان دسته­بندی کننده19

3-3-2- آموزش پرسپترون. 21

3-3-3- پرسپترون تک­لایه24

3-3-4- پرسپترون چندلایه26

3-3-5- آموزش شبکه­های عصبیMLP. 27

3-3-6- الگوریتم پس­انتشار خطا برای یک شبکه با تعداد دلخواه لایه و نرون. 29

3-4- نقش شبکه عصبی در عیب­یابی. 30

فصل 4- کارآیی روش PCA در تشخیص پارامترهای معیوب فرآیند تنسی ایستمن. 32

4-1- مقدمه 33

4-2- معرفی شرکت تنسی ایستمن. 33

4-3- شناخت فرآیند صنعتی تنسی ایستمن 35

4-3-1- متغیرهای فرآیند37

4-3-2- عیوب فرآیند 40

4-4- پیاده سازی سیستم عیب یابی فرآیند TEP بر مبنای PCA. 41

4-4-1- بررسی موردی عیب 1. 41

4-4-2- نرخ عدم تشخیص... 44

4-4-3- میزان اهمیت متغیرهای فرآینددر تشخیص عیب 1. 44

4-4-4- نتایج شبیه­سازی 51

فصل 5- طراحی یک شبکه عصبی پویا به­منظور تشخیص پارامترهای معیوب فرآیند52

5-1- مقدمه 53

5-2- معماری شبکه عصبی پویا53

5-3- تشخیص و جداسازی عیب با استفاده از شبکه عصبی دینامیک... 54

5-3-1- مرحله­ی اول: شناسایی سیستم54

5-3-2- مرحله­ی دوم: شناسایی و جداسازی عیب. 55

5-4- تشخیص پارامترهای معیوب TEP با تکیه بر ساختار پیشنهادی. 56

5-5- بررسی موردی عیب 1. 67

5-5-1- نرخ عدم تشخیص... 71

5-6- پیشنهاد راهکاری برای افزایش سرعت الگوریتم71

5-7- نتایج حاصل از شبیه­سازی. 74

فصل 6- نتیجه­گیری و پیشنهادات. 76

فهرست مراجع 78

واژه­نامه فارسی به انگلیسی 80

واژه­نامه انگلیسی به فارسی. 82

چکیده لاتین 84

 فهرست جدول­ها

جدول ‏4-1- متغیرهای دستی در فرآیند TE. 37

جدول 4-2- متغیرهای اندازه­گیری در فرآیند TE. 38

جدول ‏4-3- اندازه­گیری­های ترکیبی در فرآیند TE. 39

جدول ‏4-4- عیب­ها در فرآیندTE. 40

جدول 4-5- نرخ عدم تشخیص صحیح. 46

جدول 5-1- عیب­ها در فرآیند TE. 58

جدول 5-2- حدآستانه برای همه­ی کلاس­ها65

جدول ‏5-3- سرعت تشخیص عیب توسط کلاس­ها66

جدول ‏5-4- نرخ عدم تشخیص عیب 1. 71

جدول ‏5-5- انتخاب سنسورهای کارآمد در وقوع عیب 1. 72

 فهرست شکل­ها

شکل 2-1- روش­های مختلف تشخیص و جداسازی خطا8

شکل 2-2- ساختار کلی روش­های شناسایی خطای مبتنی بر مدل 9

شکل 2-3- الگوریتم تشخیص خطا بر مبنای داده11

شکل 3-1- ساختار نرون. 20

شکل 3-2- توابع محرک.. 21

شکل 3-3- بعد از دو تکرار بزرگتر شدن از 90 و تغییر علامت . 23

شکل 3-4- بردار وزن­ها در فضای دو بعدی خطی برای جدا کردن کلاس دایره از ضربدر. 23

شکل 3-5- ساختار کلی پرسپترون تک­لایه24

شکل 3-6- دو حالت پراکندگی داده­های چهار کلاس در فضای دو بعدی ورودی. 25

شکل 3-7- مرزهای جداکننده یک پرسپترون تک­لایه با دو ورودی و سه خروجی 26

شکل 3-8- ساختار شبکه پیش­رو دو لایه با توابع سیگموئید در لایه­ی پنهان و لایه­ی خروجی. 27

شکل 3-9- کمینه­ی کلی و کمینه­ی محلی. 28

شکل 3-10- ساختار کلی آموزش با ناظر. 29

شکل 4-1- شمای فرآیند تنسی ایستمن. 36

شکل 4-2- متغیرهای (1،4،18،19،34،44،45،50) تحت شرایط نرمال. 41

شکل 4-3- متغیرهای (1،4،18،19،34،44،45،50) تحت شرایط عیب 1.. 42

شکل 4-4- آماره­ی هاتلینگ در تشخیص عیب 1. 43

شکل 4-5- آماره­ی Q در تشخیص عیب 1. 43

شکل 4-6- سهم داده­ها در وقوع عیب 1. 46

شکل 4-7- آماره­ی T² برای متغیرهای 1،4،18،19،34،44،45،50. 47

شکل 4-8- آماره­ی Q برای متغیرهای 1،4،18،19،34،44،45،50 47

شکل 4-9- آماره­ی T² برای متغیرهای 1،4،44،50. 48

شکل 4-10- آماره­ی Q برای متغیرهای 1،4،44،5. 48

شکل 4-11- آماره­ی T² برای متغیرهای 1،4،19،44،45،50. 49

شکل 4-12- آماره­ی Q برای متغیرهای 1،4،19،44،45،50. 49

شکل 4-13- آماره­ی T² برای متغیرهای 1،4،23،44،50. 50

شکل 4-14- آماره­ی Q برای متغیرهای 1،4،23،44،50. 50

شکل 5-1- شبکه عصبی دینامیک با فیلتر با پاسخ ضربه نامحدود 53

شکل 5-2- ساختار شبکه عصبی چندلایه53

شکل 5-3- ساختار شبکه عصبی دینامیک پیشنهادی برای جداسازی عیب.. 55

شکل 5-4- ساختار شبکه عصبی دینامیک برای آموزش و شناسایی عیب.. 56

شکل 5-5- شبکه عصبی پیشنهاد شده برای آموزش 8 کلاس.. 59

شکل 5-6- آموزش DNN1 تحت حالت نرمال با دو خروجی. 61

شکل 5-7- آموزش DNN2 تحت حالت نرمال با دو خروجی. 61

شکل 5-8- آموزش DNN3 تحت حالت نرمال با دو خروجی. 62

شکل 5-9- آموزش DNN4 تحت حالت نرمال با دو خروجی. 62

شکل 5-10- آموزش DNN5 تحت حالت نرمال با دو خروجی. 63

شکل 5-11- آموزش DNN6 تحت حالت نرمال با دو خروجی. 63

شکل 5-12- آموزش DNN7 تحت حالت نرمال با دو خروجی. 64

شکل 5-13- آموزش DNN8 تحت حالت نرمال با دو خروجی. 64

شکل 5-14- باقیمانده­ی DNN1 در عیب 1. 67

شکل 5-15- باقیمانده­ی DNN2 در عیب 1. 67

شکل 5-16- باقیمانده­ی DNN3 در عیب 1. 68

شکل 5-17- باقیمانده­ی DNN4 در عیب 1. 68

شکل 5-18- باقیمانده­ی DNN5 در عیب 1. 69

شکل 5-19- باقیمانده­ی DNN6 در عیب 1. 69

شکل 5-20- باقیمانده­ی DNN7 در عیب 1. 70

شکل 5-21- باقیمانده­ی DNN8 در عیب 1. 70

چکیده

تغییر پارامترهای موجود در یک فرآیند صنعتی باعث آن می­گردد که فرآیند از نقطه کار مطلوب خود خارج گردد. این تغییر به­نوبه­ی خود کاهش کارایی کنترل­کننده­های حلقه بسته­ای را که برای نقطه کار مطلوب سیستم طراحی شده­اند را به­دنبال خواهد داشت. لذا نیاز است که ابتدا این تغییرات به­صورت یک عیب تشخیص و شناسایی شود و سپس با تغییر پارامترهای فرآیند یا ساختار کنترل­کننده برحسب نیاز نسبت به تصحیح رفتار سیستم اقدام نمود. به چنین سیستمی که ویژگی مذکور را داشته باشد کنترل­کننده­ی تحمل­پذیر عیب گفته می­شود.

لازمه­ی طراحی چنین سیستمی به­صورت کارآ، در مرحله­ی نخست طراحی مناسب سیستم تشخیص عیب می­باشد که مکان، زمان و بزرگی عیب را به­درستی شناسایی کند. ارزیابی سیستم تشخیص عیب با ویژگی­های نرخ تشخیص/ عدم تشخیص و نرخ هشدارهای اشتباه صورت می­گیرد. بهره­گیری از قدرت مناسب شبکه­های عصبی جهت طبقه­­بندی برای کاربری در این مهم هم در سال­های اخیر مورد توجه قرار گرفته است.

در این پژوهش نوع خاصی از شبکه­های عصبی که دارای الگوریتم قوی آموزش پس­انتشار خطای تعمیم یافته می­باشد به­منظور درک تغییر پارامترهای فرآیند طراحی و پیاده­سازی شده است. این نوع از شبکه­ها در یک ساختار موازی اطلاعات جمع­آوری شده از فرآیند را تحلیل می­کنند و خروجی تجمیع شده­ی شبکه­ها را به­صورت یک نشانگر اطلاعات زمانی و مکانی وقوع عیب خواهیم داشت. پس از تشخیص عیب نسبت به تنظیم ضرائب کنترل کننده اقدام خواهد شد.

کلید واژه: تشخیص و شناسایی عیب، شبکه­های عصبی دینامیک، فرآیند تنسی ایستمن، نرخ عدم تشخیص.

 1-1- مقدمه

در طولدهه­های گذشته با ظهور کنترل رایانه­ای، نظارت بر روی فرآیندهای پیچیده پیشرفت­های شگرفی داشته است. با وجود تمامی این پیشرفت­ها هنوز هم یک وظیفه­ی کنترلی بسیار مهم در مدیریت فرآیندها به­صورت دستی باقی می­ماند و به­وسیله­ی عوامل انسانی اجرا می­شود. این وظیفه، عملیات واکنش به پیشامدهای ناهنجار در یک فرآیند است، که شامل ردیابی بهنگام پیشامد ناهنجار، تشخیص عوامل وقوع آنها و سپس گرفتن تصمیم­های کنترلی و نظارتی مناسب و بازگرداندن فرآیند به حالت طبیعی، ایمن و عملیاتی می­شود. به این عملیات، مدیریت پیشامدهای ناهنجار گفته می­شود که یک عنصر کلیدی در کنترل نظارتی به شمار می­رود.

1-2- ضرورت عیب­یابی

اعتماد کامل تنها به عوامل انسانی برای کنترل پیشامدهای ناهنجار و امور اضطراری، به دلایل متعددی دشوار است. عملیات تشخیص به­علت دربرگیری گستره­ بزرگی از سوء عملکردها، از جمله خرابی­های واحد کنترل، کاهش کارآیی ناگهانی واحد فرآیند، تغییرات در پارامترها و ... دارای پیچیدگی است. برای مثال، در یک فرآیند صنعتی بزرگ ممکن است 1500 متغیر فرآیند در چند ثانیه مشاهده شوند که دربردارنده­ی زیادی از اطلاعات می­شود. از این گذشته عملیات تشخیص خطا براساس داده­های ناکافی یا داده­های اتکاناپذیر به عواقب غیرقابل پیش­بینی منجر می­گردد. در چنین شرایط دشواری، که سرعت عمل نیز لازمه­ی کار است هر اقدام عجولانه­ی کاربر ممکن است به حوادث ناگوار منجر گردد. آمارهای صنعتی نشان می­دهد که حدود 70%از حوادث صنعتی به­دلیل خطاهای انسانی بوده است. این رویدادهای ناهنجار اثر اقتصادی، ایمنی و زیست محیطی قابل توجهی دارند. یکی از حوادث مهم اخیر انفجار در پالایشگاه نفتی الاحمدی کویت در ژوئن سال 2000 است که منجربه حدود 100 میلیون دلار خسارت شد [1]. از این گذشته، آمارهای صنعتی نشان داده­اند که گرچه ممکن است فجایع و خرابی­های بزرگ در فرآیندهای شیمیایی نادر باشند، اما حوادث کوچک بسیار معمول هستند و هر روز اتفاق می­افتند. حوادث کوچک منجربه بسیاری از آسیب­های کاری می­شوند و هر سال میلیاردها دلار هزینه برای صنعت ایجاد می­کنند. از این­رو آشکارسازی و شناسایی صحیح و سریع عیب­های یک فرآیند از نظر اقتصادی، ایمنی عملکرد و نگاه­های انسانی و زیستی از اهمیت بسیار زیادی برخوردار است. همچنین آشکارسازی موفق یک عیب در مراحل اولیه می­تواند موجب افزایش نرخ بهبود عملکرد سیستم گردد و از رویدادهای خطرناک بعدی و هشدارهای غیرضروری جلوگیری کند.

در سیستم­هایی که ایمنی و قابلیت­ اعتماد به­عنوان شاخص­های اصلی کیفیت سیستم مطرح می­شوند، تشخیص و شناسایی خطا به­عنوان روشی در بهبود شاخص­های مزبور مطرح­ است. چه­بسا سانحه­ای هر چند کوچک در اثر خطا و خرابی ادوات و تجهیزات، تلفات جانی و هزینه­های مالی هنگفتی را در پی خواهد داشت.

1-3- هدف از انجام تحقیق

با استفاده از روش­های تشخیص و شناسایی خطا، امکان مدیریت خطا و همچنین نگهداری و تعمیر بهنگام فراهم می­شود. شناسایی محل خطا، با تعمیرپذیری بهنگام، کاهش هزینه­های مستقیم و غیر­مستقیم بهره­برداری و افزایش ایمنی و قابلیت­ اعتماد سیستم را به­دنبال خواهد داشت. با انتشار خطا در سیستم، علاوه­بر گسترش سطح خسارات، شناسایی علت اولیه­ی آن بسیار دشوارتر می­شود. بنابراین، یک روش تشخیص و شناسایی دقیق خطا، می­تواند از انتشار خطاهای بعدی در سیستم و پیامدهای ناشی از آن­ها جلوگیری کند. شبکه­های عصبی به­عنوان یک روش هوشمند جهت مدلسازی پیچیدگی­های غیرخطی فرآیند می­تواند کمک شایانی به بهبود عملکرد سیستم عیب­یابی کند.

هدف از بکارگیری روش­های تشخیص و شناسایی خطا، اعمال نظارت پیشرفته، مدیریت خطا، بهبود و قابلیت اطمینان و دسترس­پذیری، کاهش سوانح و میزان پیامدهای آن­ها، همچنین اعمال تعمیر و نگهداری بهینه است. این قابلیت­ها از طریق پایش مستمر بر فرآیند و اندازه­گیری کمیت­ها و در نهایت استفاده از الگوریتم­های مناسب جهت تحلیل به­دست می­آیند.

1-4- مروری بر کارهای انجام شده

روش­های شناسایی عیب به دو دسته­ی عمده­ی روش­های مبتنی بر مدل و روش­های مبتنی بر داده تقسیم می­گردند. روش­های نظیر تخمین پارامتر و فیلتر کالمن از جمله روش­های مبتنی بر مدل می­باشد. شبکه­های عصبی مصنوعی یکی از پرکاربردترین روش­های مبتنی بر داده می­باشد که مبنای آن استفاده از داده­های واقعی اندازه­گیری شده از فرآیند می­باشد و مستقل از روابط ریاضی بوده، لذا کاربرد وسیعی در سیستم­های پیچیده و غیرخطی دارد. ساختارهای متفاوتی جهت استفاده از شبکه عصبی در عیب­یابی وجود دارد:

- شبکه­های عصبی پس­انتشار[2]

- شبکه­های عصبی چندگانه[3]

- شبکه­های عصبی متوالی[4]

- شبکه­های عصبی هایبرید[5]

- شبکه­های عصبی ماژولار[6]

در سال­های اخیر شبکه­های عصبی پویا [7] به­دلیل توانایی در مدلسازی دینامیک­های غیرخطی فرآیندها مورد توجه زیادی قرار گرفته است. به­همین دلیل مقالات و کارهای متفاوتی با استفاده از این شبکه انجام شده است. نظیر:

- فیلتراسیون داده­ها [7,8]

- تشخیص و جداسازی عیب عملگری در سیستم­های غیرخطی [9]

- تشخیص عیب موتور ماهواره [10]

- تشخیص عیب فرآیند تبخیر شکر [11]

- تشخیص عیب موتور جت [12]

در مرجع [13] از یک روش مبتنی بر آنالیز مولفه­ی اصلی[1] (PCA) به­نام آنالیز الگوی آماری[2] (SPA) برای عیب­یابی فرآیند تنسی ایستمن استفاده شده است که در آن به جای آماره­ی T²از دو آماره­ی D_pو D_r که به­ترتیب نرم و امید مانده می­باشند، برای عیب­یابی استفاده شده است که در حضور دینامیک­های غیرخطی جواب مناسبی دارد. در مرجع [14] از ترکیب PCA چند متغیره و یک شبکه­ی عصبی-فازی تطبیقی[3] (Anfis) به­منظور عیب­یابی استفاده شده است. در این ترکیب ابتدا PCA کاهش بعد خطی داده و سپس شبکه­ی Anfis جهت کلاس­های متفاوت آموزش داده می­شود.

در این پایان­نامه یک شبکه­ی عصبی پویا برای تشخیص رفتار معیوب فرآیند تنسی ایستمن[4] طراحی و پیاده­سازی گردیده است.

1-5- ساختار پایان­نامه

در ادامه­ی پایان­نامه در فصل دوم به معرفی روش­های تشخیص عیب و مزایا و معایب هر روش خواهیم پرداخت. در فصل سوم دو راهکار اصلی تشخیص عیب، PCA و شبکه­های عصبی مصنوعی[5] به­منظور یافتن ساختار مناسب بررسی گردیده است. این راه­کارها منجربه پیاده­سازی ساختار پیشنهادی گردیده است. در فصل چهارم نحوه­ی اجرای الگوریتم PCA بر روی فرآیند مورد آزمایش تشریح و شبیه­سازی گردیده است. در فصل پنجم ساختار شبکه عصبی پیشنهادی به همراه چگونگی اجرای آن بر روی فرآیند تنسی ایستمن و نتایج به­دست آمده از شبیه­سازی آورده شده است. در انتها به جمع­بندی و ارائه پیشنهادات پرداخته شده است.

فصل دوم: بررسی انواع روش­های تشخیص و شناسایی خطا

2-1- مقدمه

عبارت "خطا" در مباحث تشخیص و شناسایی خطا به انحراف از محدوده­ی قابل قبول متغیر یا پارامتر مورد نظر اندازه­گیری شده، گفته می­شود [15،16]. به­عبارتی خطا انحراف غیرمجاز حداقل یکی از خصوصیات فیزیکی سیستم از شرایط عادی است.

در ابتدای امر لازم به ذکر است که خطا مقوله­ای متفاوت، نسبت به خرابی می­باشد و نمی­­توان این دو واژه را به جای هم استفاده نمود. هر خرابی، نتیجه­ای از وقوع خطا می­باشد ولی هر خطایی نمی­تواند منجر­به خرابی شود. گاهی اوقات رخ دادن یک خطا، هر چند که این خطا به مدت خیلی زیاد در سیستم باشد، منجربه خرابی نشده و فقط عملکرد سیستم را پایین می­آورد [17].

خطا: عبارت است از یک تغییر ناخواسته در عملکرد سیستم که باعث انحراف رفتار فرآیند از مقادیر نامی خود می‏شود.

تشخیص خطا: تلاش در راستای پی بردن به وجود خطا و زمان وقوع آن می­باشد.

2-2- دسته­بندی روش­های شناسایی خطا

به­صورت تاریخی، اولین راهکارها در مواجه با خطا براساس افزونگی سخت­افزاری[6] استوار بودند [18]. در این روش از هر بخش از سیستم چندین نسخه تهیه می­شود تا به این ترتیب در صورتی که خرابی یا عیبی رخ دهد، بخش کمکی جایگزین بخش معیوب شود. تقریبا بلافاصله متخصصین متوجه شدند که این روش همواره قابل استفاده نیست. برای مثال تهیه چندین نسخه از بخش کنترل بال در یک هواپیما وزن هواپیما را به شکل قابل ملاحظه­ای افزایش می­دهد. در این حین با آشکار شدن قابلیت­های سیستم­های کنترلی مبتنیبر میکروکنترلرها، تمایل از افزونگی سخت افزاری به افزونگی نرم­افزاری[7] تغییر کرد. در افزونگی نرم­افزاری چندین نسخه تحلیلی از سیستم در وضعیت­های مختلف تهیه شده و براساس خروجی­ مدل­ها، تصمیم مناسب اخذ می­شود. به این ترتیب هر دو مشکل هزینه و محدودیت فضا نیز بر طرف می­شوند. با توجه به اطلاعاتی که از سیستم در اختیار می­باشد، می­توان روش­های شناسایی و کشف خطای نرم­افزاری را به دو خانواده مبتنی بر سیگنال[8] و مبتنی بر مدل[9] تقسیم کرد.

روش‌های مبتنی بر مدل به­طور کلی به دو دسته کمی و کیفی تقسیم می‌شوند. در مدل­های کمی معمولا براساس قوانین فیزیکی روابط ریاضی بین ورودی‌ها و خروجی‌های سیستم برقرار می‌شود. در مدل‌های کیفی از توابع کیفی برای برقرار کردن این رابظه بین ورودی‌ها و خروجی‌ها استفاده

 می‌شود. در روش‌های مبتنی بر داده از داده‌های پیشین فرآیند، ویژگی‌هایی به­منظور شناسایی خطا استخراج می‌شود. در این روش‌ها دسترسی به داده‌های کافی از سیستم مورد بررسی ضروری خواهد بود.

بدین ترتیب با فرض در اختیار بودن داده‌ها به میزان کافی، استخراج ویژگی‌ها به دو روش کمی و کیفی امکان‌پذیر خواهد بود. مرجع [19] خلاصه‌ای جامع از کلیه روش‌های ارائه شده در این حوزه دراختیار می‌گذارد و شکل 2-1 تقسیم‌بندی روش‌های مختلف تشخیص و جداسازی خطا را نشان می‌دهد.

 شکل 2-1- روش‌های مختلف تشخیص و جداسازی خطا [20]

2-2-1- روش­های مبتنی بر مدل کمی

روش‌های مبتنی بر مدل کمی، تشخیص خطا با استفاده از روابط کمی فرآیند که توسط قوانین فیزیکی حاکم بر آن و یا توسط روش‌های شناسایی به دست آمده‌، انجام می­شود. در روش‌های تشخیص و جداسازی مبتنی بر مدل به طور معمول دو گام اصلی وجود دارد. در گام اول یک تفاوت بین مدل واقعی و مدل پیش‌بینی شده حاصل می‌شود. این چنین تفاوتی، باقیمانده^[10] نامیده می­شود و این سیگنال‌های مصنوعی خطاهای بالقوه سیستم را نشان می­دهند. گام دوم در این روش­ها ارائه یک قاعده تصمیم برای تشخیص خطا می‌باشد. برای آشنایی بیشتر با روش‌های مبتنی بر مدل کمی به مرجع [21] مراجعه شود.

اساس این­گونه روش­های تشخیص خطا پردازش سیگنال مانده می­باشد که در آن از تخمین حالت، تخمین پارامتر و یا فیلترهای تطبیقی استفاده می­شود. خطای سیستم به طور معمول موجب ایجاد تغییراتی در متغیرهای حالت و یا در پارامترهای مدل می­گردد. از این رو با تخمین متغیرهای حالت غیرقابل اندازﻩگیری به کمک خروجی مشاهده شده و ورودی اندازه­گیری شده، سیستم با استفاده از

 روش­های تخمین حالت و تخمین پارامتر مانند فیلتر کالمن، رویتگر حالت، روش حداقل مربعات و یا روش تخمین تعادلی ﻣﻲتوان خطا را تشخیص داد.

روش‌های مبتنی بر مدل کمی، نیاز به دانش پیشین از فرآیند داشته و مدل­سازی دقیق خطا‌ در این روش­ها الزامی می­باشد. بدین­ترتیب در این روش‌ها اگر خطایی به­طور مشخص مدل نگردد، هیچ‌گونه تضمینی بر شناسایی آن وجود نخواهد داشت. همچنین اکثر روش­های مبتنی بر مدل بر فرض خطی بودن سیستم استقرار دارند و از این رو به کارگیری آن­ها برای سیستم­های غیرخطی نیازمند خطی­سازی مدل حول نقطه کار می­باشد. برای یک مدل غیرخطی در حالت کلی، تقریب‌های خطی کارآیی مناسبی نخواهد داشت و ازاین­رو میزان تاثیرگذاری این روش‌ها به مقدار زیادی کاهش خواهد یافت. همچنین در آن‌ها تشخیص خطای سیستم‌هایی با ابعاد بزرگ نیازمند به‌کارگیری فیلترهایی با اندازه بسیار بزرگ بوده که هزینه محاسباتی و پیچیدگی این روش‌ها را افزایش می‌دهد. اساس کار سیستم تشخیص خطا، تولید و ارزیابی مانده­ها می­باشند. مانده­ها می­بایست برابر صفر باشند و صفر نبودنشان می­تواند براساس نویز اندازه­گیری، اغتشاش (عدم قطعیت سیگنالی)، مدل­سازی نادرست (عدم قطعیت سیستمی) و یا وقوع خطا باشد. شکل 2-2 ایده­ی کلی روش­های مبتنی بر مدل را نمایش می­دهد. در این شکل متغیر z نقش مانده را ایفا می­نماید.

 [1] Principal Component Analysis (PCA)

[2] Statistical Pattern Analysis

[3] Adaptive neuro fuzzy inference system

[4] Tennessee Eastman

[5]Artificial Neural Network

[6] Hardware redundancy

[7] Software redundancy

[8] Signal base

[9] Model base

[10] Residual