التحقق من صحة البيانات ومطابقتها

📅 آخر تحديث: ٢٩ يوليو ٢٠٢٦
✍️ نُشر في: ٢٩ يوليو ٢٠٢٦
📷 يحتوي على 54 صور
الموسوعة الحرة

التحقق من صحة بيانات العمليات الصناعية ومطابقتها ، أو باختصار، مطابقة بيانات العمليات (PDR) ، هي تقنية تستخدم معلومات العمليات والأساليب الرياضية لضمان التحقق من صحة البيانات ومطابقتها تلقائيًا من خلال تصحيح القياسات في العمليات الصناعية. يتيح استخدام PDR استخلاص معلومات دقيقة وموثوقة حول حالة العمليات الصناعية من بيانات القياس الأولية ، وينتج مجموعة بيانات متسقة واحدة تمثل العملية الأكثر ترجيحًا.

النماذج والبيانات وأخطاء القياس

غالباً ما يتم تمثيل العمليات الصناعية، على سبيل المثال العمليات الكيميائية أو الديناميكية الحرارية في المصانع الكيميائية أو مصافي النفط أو مواقع إنتاج النفط أو الغاز أو محطات الطاقة، بوسيلتين أساسيتين:

  1. النماذج التي تعبر عن البنية العامة للعمليات،
  2. البيانات التي تعكس حالة العمليات في نقطة زمنية معينة.

يمكن أن تتضمن النماذج مستويات مختلفة من التفصيل، فعلى سبيل المثال، يمكن تضمين معادلات حفظ الكتلة البسيطة أو المركبة، أو نماذج ديناميكية حرارية أكثر تقدماً تشمل قوانين حفظ الطاقة. رياضياً، يمكن التعبير عن النموذج بنظام معادلات غير خطي.F(y)=0{\displaystyle F(y)=0\,}في المتغيراتy=(y1،...،yن){\displaystyle y=(y_{1},\ldots ,y_{n})}والتي تتضمن جميع قيود النظام المذكورة أعلاه (على سبيل المثال، توازنات الكتلة أو الحرارة حول وحدة ما). ويمكن أن يكون المتغير هو درجة الحرارة أو الضغط في مكان معين في المصنع.

أنواع الأخطاء

تُستقى البيانات عادةً من قياسات تُؤخذ في أماكن مختلفة في جميع أنحاء الموقع الصناعي، على سبيل المثال قياسات درجة الحرارة والضغط ومعدل التدفق الحجمي ، وما إلى ذلك. ولا تكون قياسات المصنع دقيقة بنسبة 100% أبدًا، أي أنها قياسات خام.y{\displaystyle y\,}لا يمثل حلاً للنظام غير الخطيF(y)=0{\displaystyle F(y)=0\,\!}عند استخدام القياسات دون تصحيح لإعداد موازنات المصنع، من الشائع وجود تناقضات. ويمكن تصنيف أخطاء القياس إلى نوعين أساسيين:

  1. أخطاء عشوائية ناتجة عن دقة المستشعر الجوهرية و
  2. الأخطاء المنهجية (أو الأخطاء الجسيمة) الناتجة عن معايرة المستشعر أو نقل البيانات الخاطئ.

الأخطاء العشوائية تعني أن القياسy{\displaystyle y\,\!}هو متغير عشوائي بمتوسطy*{\displaystyle y^{*}\,\!}، أينy*{\displaystyle y^{*}\,\!}القيمة الحقيقية التي لا تُعرف عادةً. أما الخطأ المنهجي، من ناحية أخرى، فيتميز بقياسy{\displaystyle y\,\!}وهو متغير عشوائي ذو متوسطy¯{\displaystyle {\bar {y}}\,\!}، وهو ما لا يساوي القيمة الحقيقيةy*{\displaystyle y^{*}\,}. لتسهيل عملية استخلاص وتنفيذ حل التقدير الأمثل ، واستنادًا إلى حجج مفادها أن الأخطاء هي مجموع العديد من العوامل (بحيث يكون لنظرية النهاية المركزية بعض التأثير)، يفترض التوفيق بين البيانات أن هذه الأخطاء موزعة بشكل طبيعي .

تشمل مصادر الأخطاء الأخرى عند حساب موازنات المصنع أعطال العمليات مثل التسريبات، وفقدان الحرارة غير المُنمذج، والخصائص الفيزيائية غير الصحيحة أو غيرها من المعاملات الفيزيائية المستخدمة في المعادلات، والبنية غير الصحيحة مثل خطوط التجاوز غير المُنمذجة. وتشمل الأخطاء الأخرى ديناميكيات المصنع غير المُنمذجة مثل تغيرات الاحتجاز، وحالات عدم الاستقرار الأخرى في عمليات المصنع التي تُخالف نماذج الحالة المستقرة (الجبرية). وتنشأ أخطاء ديناميكية إضافية عندما لا تُؤخذ القياسات والعينات في الوقت نفسه، وخاصةً في التحليلات المختبرية.

إن استخدام المتوسطات الزمنية لإدخال البيانات يقلل جزئياً من المشكلات الديناميكية. ومع ذلك، فإن ذلك لا يحل تماماً التناقضات الزمنية للبيانات التي يتم أخذ عينات منها على فترات متباعدة، مثل تحليلات المختبر.

يعمل استخدام القيم المتوسطة، كما هو الحال في المتوسط ​​المتحرك ، كمرشح تمرير منخفض ، مما يؤدي إلى التخلص من الضوضاء عالية التردد في الغالب. ونتيجة لذلك، فإن عملية مطابقة البيانات عملياً تقتصر أساساً على إجراء تعديلات لتصحيح الأخطاء المنهجية كالانحيازات.

ضرورة إزالة أخطاء القياس

ISA-95 هو المعيار الدولي لتكامل أنظمة المؤسسات وأنظمة التحكم [ 1 ] ويؤكد على ما يلي:

تُعدّ مطابقة البيانات مسألة بالغة الأهمية لتكامل أنظمة التحكم المؤسسية. يجب أن تكون البيانات صحيحة لتكون مفيدة لنظام المؤسسة. غالبًا ما تُستخلص البيانات من قياسات فيزيائية تتضمن عوامل خطأ. عادةً ما يتطلب الأمر تحويل هذه البيانات إلى قيم دقيقة لنظام المؤسسة. قد يتطلب هذا التحويل مطابقة يدوية أو ذكية للقيم المُحوّلة. يجب إعداد الأنظمة لضمان إرسال بيانات دقيقة إلى الإنتاج واستلامها منه. قد تؤدي الأخطاء غير المقصودة من قِبل المشغلين أو الموظفين إلى زيادة الإنتاج أو نقصه أو إنتاج بيانات خاطئة أو جرد غير صحيح أو فقدان المخزون.

تاريخ

ازدادت أهمية تحليل البيانات الديناميكي (PDR) بشكل ملحوظ نتيجةً لتزايد تعقيد العمليات الصناعية. بدأ تحليل البيانات الديناميكي في أوائل الستينيات من القرن الماضي بتطبيقات تهدف إلى تقريب موازنات المواد في عمليات الإنتاج التي تتوفر فيها قياسات أولية لجميع المتغيرات . [ 2 ] في الوقت نفسه ، برزت مشكلة تحديد الأخطاء الجسيمة وإزالتها. [ 3 ] في أواخر الستينيات والسبعينيات، أُخذت المتغيرات غير المقاسة في الاعتبار في عملية مطابقة البيانات. [ 4 ] [ 5 ] كما تطور تحليل البيانات الديناميكي من خلال النظر في أنظمة المعادلات غير الخطية العامة المستمدة من النماذج الديناميكية الحرارية. [ 6 ] [ 7 ] [ 8 ] في عام 1977، قدم ستانلي وماه ديناميكيات الحالة شبه المستقرة للترشيح والتقدير المتزامن للمعلمات مع مرور الوقت. [ 7 ] وفي عام 1992 ، صاغ ليبمان وآخرون تحليل البيانات الديناميكي الديناميكي كمسألة تحسين غير خطية. [ 9 ]

توفيق البيانات

تُعدّ عملية التوفيق بين البيانات تقنية تهدف إلى تصحيح أخطاء القياس الناتجة عن ضوضاء القياس، أي الأخطاء العشوائية . ومن وجهة نظر إحصائية، يفترض هذا الأسلوب عدم وجود أخطاء منهجية في مجموعة القياسات، إذ قد تؤثر هذه الأخطاء على نتائج التوفيق وتقلل من متانتها.

منحن{\displaystyle n}القياساتyأنا{\displaystyle y_{i}}يمكن التعبير عن عملية مطابقة البيانات رياضياً كمسألة تحسين بالشكل التالي:

مينx،y*∑أنا=1ن(yأنا*-yأناσأنا)2رهناً بـ F(x،y*)=0yمين≤y*≤yالأعلىxمين≤x≤xالأعلى،\begin{aligned}\min_{x,y^{*}}&\sum_{i=1}^{n}\left(\frac{y_{i}^{*}-y_{i}}{\sigma_{i}}}\right)^{2}\\{\text{subject to }}&F(x,y^{*})=0\\&y_{\min}\leq y^{*}\leq y_{\max}\\&x_{\min}\leq x\leq x_{\max},\end{aligned}}\,\!}

أين yأنا*{\displaystyle y_{i}^{*}\,\!}هي القيمة المُوَحَّدة لـأنا{\displaystyle i}القياس رقم (أنا=1،...،ن{\displaystyle i=1,\ldots ,n\,\!})yأنا{\displaystyle y_{i}\,\!}هي القيمة المقاسة لـأنا{\displaystyle i}القياس رقم (أنا=1،...،ن{\displaystyle i=1,\ldots ,n\,\!})xج{\displaystyle x_{j}\,\!}هوج{\displaystyle j}المتغير غير المقاس رقم (ج=1،...،م{\displaystyle j=1,\ldots ,m\,\!})، وσأنا{\displaystyle \sigma _{i}\,\!}هو الانحراف المعياري لـأنا{\displaystyle i}القياس رقم (أنا=1،...،ن{\displaystyle i=1,\ldots ,n\,\!}) F(x،y*)=0{\displaystyle F(x,y^{*})=0\,\!}هيص{\displaystyle p\,\!}قيود مساواة العمليات و xمين،xالأعلى،yمين،yالأعلى{\displaystyle x_{\min },x_{\max },y_{\min },y_{\max }\,\!}تمثل هذه الحدود نطاق المتغيرات المقاسة وغير المقاسة.

على المدى(yأنا*-yأناσأنا)2{\displaystyle \left({\frac {y_{i}^{*}-y_{i}}{\sigma _{i}}}\right)^{2}\,\!}تُسمى هذه القيمة جزاء القياس i . دالة الهدف هي مجموع الجزاءات، والتي سيُرمز لها فيما يلي بـو(y*)=∑أنا=1ن(yأنا*-yأناσأنا)2{\displaystyle f(y^{*})=\sum _{i=1}^{n}\left({\frac {y_{i}^{*}-y_{i}}{\sigma _{i}}}\right)^{2}}.

بمعنى آخر، يُراد تقليل التصحيح الكلي (المقاس بمعامل المربعات الصغرى) اللازم لتحقيق قيود النظام . إضافةً إلى ذلك، يُوزن كل معامل من معاملات المربعات الصغرى بالانحراف المعياري للقياس المقابل. يرتبط الانحراف المعياري بدقة القياس. على سبيل المثال، عند مستوى ثقة 95%، يكون الانحراف المعياري مساويًا لنصف الدقة تقريبًا.

التكرار

تعتمد عملية توفيق البيانات بشكل كبير على مفهوم التكرار لتصحيح القياسات بأقل قدر ممكن من الدقة، وذلك لتلبية قيود العملية. ويُعرَّف التكرار هنا بشكل مختلف عن تعريفه في نظرية المعلومات . فبدلاً من ذلك، ينشأ التكرار من دمج بيانات المستشعرات مع النموذج (القيود الجبرية)، ويُطلق عليه أحيانًا بشكل أكثر تحديدًا "التكرار المكاني" [ 7 ] ، أو "التكرار التحليلي"، أو "التكرار الطوبولوجي".

قد ينشأ التكرار نتيجة لتكرار أجهزة الاستشعار ، حيث يتم تكرار أجهزة الاستشعار للحصول على أكثر من قياس لنفس الكمية. كما ينشأ التكرار أيضًا عندما يمكن تقدير متغير واحد بعدة طرق مستقلة من مجموعات منفصلة من القياسات في وقت معين أو خلال فترة زمنية محددة، باستخدام القيود الجبرية.

يرتبط مفهوم التكرار بمفهوم قابلية الملاحظة . يكون المتغير (أو النظام) قابلاً للملاحظة إذا أمكن استخدام النماذج وقياسات المستشعرات لتحديد قيمته (حالة النظام) بشكل فريد. ويكون المستشعر زائداً إذا لم يؤدِ حذفه إلى فقدان قابلية الملاحظة. وقد وضع ستانلي وماه [ 10 ] تعريفات دقيقة لقابلية الملاحظة، وقابلية الحساب، والتكرار، إلى جانب معايير لتحديدها، وذلك لهذه الحالات التي تتضمن قيوداً محددة كالمعادلات والمتباينات الجبرية. وفيما يلي، نوضح بعض الحالات الخاصة:

يرتبط التكرار الطوبولوجي ارتباطًا وثيقًا بدرجات الحرية (دoو{\displaystyle dof\,\!}) لنظام رياضي، [ 11 ] أي الحد الأدنى من المعلومات (أي القياسات) المطلوبة لحساب جميع متغيرات النظام. على سبيل المثال، في المثال أعلاه، يتطلب قانون حفظ التدفق أنأ=ب+ج{\displaystyle a=b+c\,}يلزم معرفة قيمة اثنين من المتغيرات الثلاثة لحساب المتغير الثالث. في هذه الحالة، تكون درجات حرية النموذج مساوية لـ 2. يلزم قياسان على الأقل لتقدير جميع المتغيرات، وثلاثة قياسات لضمان التكرار.

عند الحديث عن التكرار الطوبولوجي، يجب التمييز بين المتغيرات المقاسة وغير المقاسة. فيما يلي، سنرمز لها بـx{\displaystyle x\,\!}المتغيرات غير المقاسة وy{\displaystyle y\,\!}المتغيرات المقاسة. عندئذٍ يصبح نظام قيود العمليةF(x،y)=0{\displaystyle F(x,y)=0\,\!}، وهو نظام غير خطي فيy{\displaystyle y\,\!}وx{\displaystyle x\,\!}إذا كان النظامF(x،y)=0{\displaystyle F(x,y)=0\,\!}يمكن حسابها باستخدامن{\displaystyle n\,}إذا تم تحديد القياسات، فإن مستوى التكرار الطوبولوجي يُعرَّف على النحو التالي:رهـد=ن-دoو{\displaystyle red=n-dof\,\!}أي عدد القياسات الإضافية المتاحة بالإضافة إلى القياسات المطلوبة لحساب النظام فقط. وهناك طريقة أخرى للنظر إلى مستوى التكرار وهي استخدام تعريفدoو{\displaystyle dof\,}وهو الفرق بين عدد المتغيرات (المقاسة وغير المقاسة) وعدد المعادلات. ومن ثم نحصل على

رهـد=ن-دoو=ن-(ن+م-ص)=ص-م،{\displaystyle {\begin{aligned}red=n-dof=n-(n+m-p)=p-m,\end{aligned}}}

أي أن التكرار هو الفرق بين عدد المعادلاتص{\displaystyle p\,}وعدد المتغيرات غير المقاسةم{\displaystyle m\,}مستوى التكرار الكلي هو مجموع تكرار المستشعرات والتكرار الطوبولوجي. يُقال عن التكرار أنه موجب إذا كان النظام قابلاً للحساب وكان التكرار الكلي موجبًا. يتضح أن مستوى التكرار الطوبولوجي يعتمد فقط على عدد المعادلات (كلما زاد عدد المعادلات زاد التكرار) وعدد المتغيرات غير المقاسة (كلما زاد عدد المتغيرات غير المقاسة قل التكرار)، وليس على عدد المتغيرات المقاسة.

إنّ مجرد حصر المتغيرات والمعادلات والقياسات غير كافٍ للعديد من الأنظمة، وذلك لعدة أسباب: (أ) قد تحتوي أجزاء من النظام على عناصر زائدة، بينما تفتقر إليها أجزاء أخرى، وقد يتعذر حساب بعض الأجزاء أصلاً، و(ب) قد تؤدي اللاخطية إلى استنتاجات مختلفة عند نقاط تشغيل مختلفة. على سبيل المثال، لننظر إلى النظام التالي الذي يتكون من 4 تيارات ووحدتين.

مثال على الأنظمة القابلة للحساب وغير القابلة للحساب

نقتصر على تضمين قيود حفظ التدفق فقط ونحصل علىأ+ب=ج{\displaystyle a+b=c\,\!}وج=د{\displaystyle c=d\,\!}من المحتمل أن يكون النظامF(x،y)=0{\displaystyle F(x,y)=0\,\!}لا يمكن حسابها، على الرغم منص-م≥0{\displaystyle p-m\geq 0\,\!}.

إذا كانت لدينا قياسات لـج{\displaystyle c\,\!}ود{\displaystyle d\,\!}لكن ليس لـأ{\displaystyle a\,\!}وب{\displaystyle b\,\!}إذاً، لا يمكن حساب النظام (مع العلم بذلك).ج{\displaystyle c\,\!}لا يقدم معلومات عنأ{\displaystyle a\,\!}وب{\displaystyle b\,\!}من ناحية أخرى، إذاأ{\displaystyle a\,\!}ود{\displaystyle d\,\!}معروفة، ولكن ليسب{\displaystyle b\,\!}وج{\displaystyle c\,\!}ثم يمكن حساب النظام.

في عام ١٩٨١، تم إثبات معايير قابلية الملاحظة والتكرار لأنواع شبكات التدفق هذه التي تتضمن قيود توازن الكتلة والطاقة فقط. [ ١٢ ] بعد دمج جميع مدخلات ومخرجات النظام في "عقدة بيئية"، يتوافق فقدان قابلية الملاحظة مع دورات من التدفقات غير المقاسة. ويتضح ذلك في الحالة الثانية أعلاه، حيث يقع التدفقان أ ​​و ب في دورة من التدفقات غير المقاسة. ويتبع ذلك تصنيف التكرار، من خلال اختبار وجود مسار من التدفقات غير المقاسة، حيث أن إزالة القياس ستؤدي إلى دورة غير مقاسة. القياسان ج و د متكرران في الحالة الثانية أعلاه، على الرغم من أن جزءًا من النظام غير قابل للملاحظة.

فوائد

يمكن استخدام التكرار كمصدر للمعلومات للتحقق من القياسات وتصحيحهاy{\displaystyle y\,\!}وزيادة دقتها ووضوحها: من ناحية، قاموا بتوفيقها. علاوة على ذلك، تتضمن مشكلة توفيق البيانات المذكورة أعلاه أيضًا متغيرات غير مقاسة.x{\displaystyle x\,\!}استنادًا إلى وفرة المعلومات، يمكن حساب تقديرات هذه المتغيرات غير المقاسة ودقتها. في العمليات الصناعية، تُعرف هذه المتغيرات غير المقاسة التي توفرها عملية مطابقة البيانات باسم المستشعرات البرمجية أو المستشعرات الافتراضية، حيث لا يتم تركيب مستشعرات مادية.

التحقق من صحة البيانات

يشير التحقق من صحة البيانات إلى جميع إجراءات التحقق والتحقق قبل وبعد خطوة المطابقة.

تصفية البيانات

تُشير عملية تصفية البيانات إلى معالجة البيانات المقاسة بحيث تصبح قيمها ذات دلالة وتقع ضمن نطاق القيم المتوقعة. وتُعدّ تصفية البيانات ضرورية قبل عملية المطابقة لتعزيز موثوقية هذه الخطوة. وهناك عدة طرق لتصفية البيانات، منها على سبيل المثال حساب متوسط ​​عدة قيم مقاسة خلال فترة زمنية محددة.

التحقق من صحة النتائج

التحقق من صحة النتائج هو مجموعة إجراءات التحقق أو التدقيق التي تُتخذ بعد عملية المطابقة، ويأخذ في الاعتبار المتغيرات المقاسة وغير المقاسة، بالإضافة إلى القيم المطابقة. يشمل التحقق من صحة النتائج، على سبيل المثال لا الحصر، تحليل الجزاءات لتحديد موثوقية المطابقة، أو التحقق من الحدود لضمان وقوع القيم المطابقة ضمن نطاق معين، كأن تكون درجة الحرارة ضمن حدود معقولة.

اكتشاف الأخطاء الجسيمة

قد يشمل التحقق من صحة النتائج اختبارات إحصائية للتحقق من موثوقية القيم المُطابقة، وذلك بالتحقق مما إذا كانت هناك أخطاء جسيمة في مجموعة القيم المقاسة. ويمكن أن تكون هذه الاختبارات، على سبيل المثال،

  • اختبار مربع كاي (الاختبار العالمي)
  • الاختبار الفردي.

إذا لم تكن هناك أخطاء جسيمة في مجموعة القيم المقاسة، فإن كل حد جزائي في دالة الهدف هو متغير عشوائي يتبع التوزيع الطبيعي بمتوسط ​​يساوي صفرًا وتباين يساوي واحدًا. ونتيجة لذلك، فإن دالة الهدف هي متغير عشوائي يتبع توزيع كاي تربيع ، لأنها مجموع مربعات متغيرات عشوائية موزعة توزيعًا طبيعيًا. بمقارنة قيمة دالة الهدفو(y*){\displaystyle f(y^{*})\,\!}بنسبة مئوية معينةPα{\displaystyle P_{\alpha }\,}إن استخدام دالة كثافة الاحتمال لتوزيع كاي تربيع (مثل النسبة المئوية 95 لمستوى ثقة 95%) يُعطي مؤشرًا على وجود خطأ جسيم: إذاو(y*)≤P95{\displaystyle f(y^{*})\leq P_{95}}إذا لم تكن هناك أخطاء جسيمة، فبنسبة احتمال 95%، لا توجد أخطاء جسيمة. يُعطي اختبار مربع كاي مؤشرًا تقريبيًا فقط على وجود أخطاء جسيمة، وهو سهل التطبيق: يكفي مقارنة قيمة دالة الهدف بالقيمة الحرجة لتوزيع مربع كاي.

يقارن الاختبار الفردي كل حد جزائي في دالة الهدف بالقيم الحرجة للتوزيع الطبيعي. إذاأنا{\displaystyle i}إذا كان الحد الجزائي -th خارج نطاق الثقة 95٪ للتوزيع الطبيعي، فهناك سبب للاعتقاد بأن هذا القياس به خطأ جسيم.

توفيق بيانات العمليات المتقدمة

تُعدّ عملية التوفيق المتقدمة لبيانات العمليات (PDR) منهجًا متكاملًا يجمع بين تقنيات التوفيق بين البيانات والتحقق من صحتها، والتي تتميز بما يلي:

  • نماذج معقدة تتضمن بالإضافة إلى موازنات الكتلة الديناميكا الحرارية، وموازنات الزخم، وقيود التوازن، والديناميكا المائية، وما إلى ذلك.
  • تقنيات معالجة الأخطاء الجسيمة لضمان جدوى القيم المُطابقة،
  • خوارزميات قوية لحل مشكلة التوفيق.

النماذج الديناميكية الحرارية

تتضمن النماذج البسيطة موازنات الكتلة فقط. عند إضافة قيود ديناميكية حرارية، مثل موازنات الطاقة ، إلى النموذج، يزداد نطاقه ومستوى التكرار فيه . في الواقع، كما رأينا سابقًا، يُعرَّف مستوى التكرار على النحو التالي:ص-م{\displaystyle p-m}، أينص{\displaystyle p}يمثل عدد المعادلات. إن تضمين موازنات الطاقة يعني إضافة معادلات إلى النظام، مما يؤدي إلى مستوى أعلى من التكرار (شريطة توفر قياسات كافية، أو بشكل مكافئ، عدم وجود عدد كبير جدًا من المتغيرات غير المقاسة).

معالجة الأخطاء الجسيمة

سير عمل عملية التحقق من صحة البيانات المتقدمة ومطابقتها.

الأخطاء الجسيمة هي أخطاء منهجية في القياس قد تؤثر على نتائج المطابقة. لذا، من المهم تحديد هذه الأخطاء الجسيمة وإزالتها من عملية المطابقة. بعد المطابقة، يمكن تطبيق اختبارات إحصائية لتحديد ما إذا كان هناك خطأ جسيم في مجموعة القياسات أم لا. تعتمد تقنيات معالجة الأخطاء الجسيمة هذه على مفهومين:

  • إزالة الأخطاء الجسيمة
  • تخفيف الأخطاء الجسيمة.

تُحدد عملية إزالة الأخطاء الجسيمة قياسًا واحدًا متحيزًا بخطأ منهجي، ثم يُستبعد هذا القياس من مجموعة البيانات. ويستند تحديد القياس المراد استبعاده إلى أنواع مختلفة من معاملات الجزاء التي تُعبّر عن مدى انحراف القيم المقاسة عن القيم المُطابقة. بمجرد اكتشاف الأخطاء الجسيمة، تُستبعد من القياسات، ويمكن إجراء المطابقة دون هذه القياسات الخاطئة التي تُفسد عملية المطابقة. وإذا لزم الأمر، تُكرر عملية الإزالة حتى لا يبقى أي خطأ جسيم في مجموعة القياسات.

يهدف تخفيف الخطأ الإجمالي إلى تخفيف تقدير عدم اليقين في القياسات المشكوك فيها بحيث تقع القيمة المُعدّلة ضمن نطاق الثقة 95%. ويُستخدم هذا التخفيف عادةً عندما يتعذر تحديد أي قياس حول وحدة واحدة مسؤول عن الخطأ الإجمالي (تكافؤ الأخطاء الإجمالية). عندئذٍ، تزداد حالات عدم اليقين في القياسات المعنية.

يؤدي تصحيح الأخطاء الجسيمة إلى تقليل جودة عملية التوفيق، إما بانخفاض التكرار (الإزالة) أو بزيادة عدم اليقين في البيانات المقاسة (التخفيف). لذلك، لا يمكن تطبيقه إلا عندما يكون مستوى التكرار الأولي مرتفعًا بما يكفي لضمان إمكانية إجراء عملية التوفيق بين البيانات (انظر القسم 2، [ 11 ] ).

سير العمل

توفر حلول PDR المتقدمة تكاملاً للتقنيات المذكورة أعلاه:

  1. الحصول على البيانات من سجلات البيانات، أو قواعد البيانات، أو المدخلات اليدوية
  2. التحقق من صحة البيانات وتصفية القياسات الأولية
  3. توفيق البيانات للقياسات المفلترة
  4. التحقق من النتيجة
    • فحص النطاق
    • معالجة الأخطاء الجسيمة (والعودة إلى الخطوة 3)
  5. تخزين النتائج (القياسات الأولية مع القيم المُطابقة)

نتيجة إجراء PDR المتقدم هي مجموعة متماسكة من بيانات العملية التي تم التحقق منها ومطابقتها.

التطبيقات

تُستخدم تقنية قياس الأداء الديناميكي (PDR) بشكل رئيسي في القطاعات الصناعية التي تفتقر إلى دقة القياسات أو حتى تنعدم فيها، كما هو الحال في قطاع التنقيب والإنتاج حيث يصعب أو يكلف تركيب عدادات التدفق (انظر [ 13 ] )؛ أو حيث تُعد البيانات الدقيقة بالغة الأهمية، كما هو الحال لأسباب أمنية في محطات الطاقة النووية (انظر [ 14 ] ). ومن مجالات التطبيق الأخرى مراقبة الأداء والعمليات (انظر [ 15 ] ) في تكرير النفط أو في الصناعات الكيميائية.

بما أن تقنية PDR تمكن من حساب التقديرات حتى للمتغيرات غير المقاسة بطريقة موثوقة، فقد قبلت الجمعية الهندسية الألمانية (VDI Gesellschaft Energie und Umwelt) تقنية PDR كوسيلة لاستبدال أجهزة الاستشعار باهظة الثمن في صناعة الطاقة النووية (انظر معيار VDI 2048، [ 11 ] ).

انظر أيضاً

مراجع

  1. ↑ "ISA-95: المعيار الدولي لتكامل أنظمة المؤسسات وأنظمة التحكم" . isa-95.com.
  2. ↑ DR Kuehn, H. Davidson, Computer Control II. Mathematics of Control , Chem. Eng. Process 57: 44–47, 1961.
  3. ↑ V. Vaclavek، دراسات في هندسة النظم I. حول تطبيق حساب الملاحظات لحسابات موازين الهندسة الكيميائية ، Coll. Czech Chem. Commun. 34: 3653، 1968.
  4. ↑ V. Vaclavek, M. Loucka, Selection of Measurements Necessary to Achieve Multicomponent Mass Balances in Chemical Plant , Chem. Eng. Sci. 31: 1199–1205, 1976.
  5. ↑ RSH Mah , GM Stanley, DW Downing, Reconciliation and Rectification of Process Flow and Inventory Data , Ind. & Eng. Chem. Proc. Des. Dev. 15: 175–183, 1976.
  6. ↑ JC Knepper, JW Gorman, التحليل الإحصائي لمجموعات البيانات المقيدة ، مجلة AiChE 26: 260–164، 1961.
  7. 1 2 3 جي. إم. ستانلي و آر إس إتش ماه، تقدير التدفقات ودرجات الحرارة في شبكات العمليات ، مجلة AIChE 23: 642-650، 1977.
  8. ↑ P. Joris, B. Kalitventzeff, Process measurements analysis and validation , Proc. CEF'87: Use Comput. Chem. Eng., Italy, 41–46, 1987.
  9. ↑ MJ Liebman, TF Edgar, LS Lasdon, Efficient Data Reconciliation and Estimation for Dynamic Processes Using Nonlinear Programming Techniques , Computers Chem. Eng. 16: 963–986, 1992.
  10. ↑ ستانلي جي إم وماه، آر إس إتش، "قابلية الملاحظة والتكرار في تقدير بيانات العملية، هندسة كيميائية. العلوم 36، 259 (1981)
  11. 1 2 3 VDI-Gesellschaft Energie und Umwelt, "Guidelines - VDI 2048 Blatt 1 - "التحكم وتحسين جودة بيانات العمليات وعدم اليقين فيها عن طريق حساب التصحيح لاختبارات التشغيل والقبول"؛ VDI 2048 الجزء 1؛ سبتمبر 2017"، رابطة المهندسين الألمان، مؤرشفة في 2010-03-25 في Wayback Machine ، 2017.
  12. ↑ ستانلي جي إم، وماه آر إس إتش، "الملاحظة وتصنيف التكرار في شبكات العمليات"، مجلة الهندسة الكيميائية 36، 1941 (1981)
  13. ↑ P. Delava, E. Maréchal, B. Vrielynck, B. Kalitventzeff (1999), Modelling of a Crude Oil Touristation Unit in Ter of Data Reconciliation with ASTM or TBP Curves as Direct Input – Application  : Crude Oil Preheating Train , Proceedings of ESCAPE-9 conference, Budapest, May 31–Unune 2, 1999, supplemental volume, p. 17-20.
  14. ↑ M. Langenstein, J. Jansky, B. Laipple (2004), Finding Megawatts in nuclear power plants with process data validation , Proceedings of ICONE12, Arlington, USA, April 25–29, 2004.
  15. ↑ Th. Amand, G. Heyen, B. Kalitventzeff, Plant Monitoring and Fault Detection: Synergy between Data Reconciliation and Principal Component Analysis , Comp. and Chem, Eng. 25, p. 501-507, 2001.
  • ألكسندر، ديف، تانار، ديف وواسيك، لاري "نظام معلومات المطحنة يستخدم التوفيق الديناميكي للبيانات من أجل محاسبة دقيقة للطاقة" مؤتمر TAPPI الخريفي 2007.
  • رانكين، ج. وواسيك، ل. "التوفيق الديناميكي للبيانات لعمليات اللب الدفعية (للتنبؤ عبر الإنترنت)" مؤتمر PAPTAC الربيعي 2009.
  • S. Narasimhan, C. Jordache, Data matching and gross error detection: an intelligent use of process data , Golf Publishing Company, Houston, 2000.
  • V. Veverka, F. Madron, Material and Energy Balanceancing in the Process Industries , Elsevier Science BV, Amsterdam, 1997.
  • J. Romagnoli, MC Sanchez, معالجة البيانات والتوفيق بين عمليات العمليات الكيميائية ، Academic Press، 2000.