Fault Detection And Diagnosis Using Correlation Coefficients Between Variables

Operasi loji kimia pada masa kini menjadi semakin kompleks dan kawalan kualiti yang ketat pada produk akhir diperlukan. Pengesanan dan diagnosis sebarang kecacatan dalam proses dengan cepat adalah penting bagi sesebuah loji kimia untuk mencapai kualiti produk yang diingini. Kertas kerja ini memfokus kepada aplikasi pengesanan dan mendiagnosis menggunakan pekali–pekali korelasi antara pemboleh ubah proses sebagai alat pengesanan dan mendiagnoskan kecacatan proses. Sebuah kolum penyulingan dari industri dimodelkan sebagai kes kajian penyelidikan ini. Analisis Komponen Prinsipal (PCA) dan Analisis Korelasi Separa (PCorrA) digunakan untuk menerbitkan pekali korelasi antara pemboleh ubah proses dengan pemboleh ubah kualiti pilihan yang dikaji. Kecacatan proses yang dikaji merangkumi kecacatan injap, pengesan dan pengawal. Kecacatan–kecacatan ini terdiri daripada kecacatan punca tunggal, kecacatan punca pelbagai, kecacatan besar dan kecacatan kecil. Carta Kawalan Shewhart dan Carta Kawalan Julat digunakan bersama dengan pekali–pekali korelasi yang diterbitkan untuk pengesanan dan diagnosis kecacatan–kecacatan yang dimasukkan ke dalam proses. Keputusan menunjukkan kedua–dua kaedah berasaskan PCA dan PCorrA boleh mengesan dan mendiagnosis kecacatan dalam proses. Dalam penyelidikan ini, kaedah PCorrA adalah lebih baik berbanding kaedah PCA dalam pengesanan dan diagnosis kecacatan–kecacatan kecil. Kata kunci: Proses kawalan multipemboleh ubah statistik; analisis komponen prinsipal; analisis korelasi separa; pengesanan dan diagnosis kecacatan; pekali–pekali korelasi Chemical plants have become increasingly complex and stringent requirements are needed on the desired final product quality. Accurate process fault detection and diagnosis (PFDD) at an early stage of the process is important to modern chemical plants to achieve the above requirements. This paper focuses on the application of fault detection and diagnosis using correlation coefficients between process variables as a PFDD tool. An industrial distillation column is modelled and chosen as the case study. Principal Component Analysis (PCA) and Partial Correlation Analysis (PCorrA) are used to develop the correlation coefficients between the process variables and selected quality variables of interest. Faults considered in this research are sensor faults, valve faults and controller faults. These faults are comprised of single cause faults and multiple cause faults as well as significant faults and insignificant faults. Shewhart Control Chart and Range Control Chart are used with the developed correlation coefficients to detect and diagnose the pre-designed faults in the process. Results show that both methods based on PCA and PCorrA have good PFDD performance. In this study, the PCorrA method was better than the PCA method in detecting insignificant faults. Key words: Multivariate statistical process control; principal component analysis; partial correlation analysis; fault detection and diagnosis; correlation coefficients