Situation based process monitoring in complex systems considering vagueness and uncertainty

Abstract

History has demonstrated during the 20th century that industrial development carries hazards that should not be ignored because they endanger humans, the environment and production facilities. For this reason, continuous development of new production technologies should be accompanied by a comparable development in industrial safety technologies. Safety-critical applications in complex processes are usually based on a precise monitoring of operation conditions, according to a “correct” process operation. The problem is determining if a behavior or an operation condition is “correct”. For this, models are generally used, which are able of reproducing “safe” or “appropriate” process behaviors. The difficulty of precise modeling grows continuously, because of the increasing complexity of the supervised processes. Rigorous deterministic modeling is limited to simple processes, while approximate models based on statistics or Artificial Intelligence techniques, for example, must be restricted to modeling single variables or small subsystems to be manageable and deliver useful information. A monitoring technique usually employed for complex processes relies on abstraction of the process behavior in qualitative models by using symbolic value ranges to represent required information. However, also the applicability of qualitative modeling techniques is eventually restricted by the resulting model size. In this research work, a new process monitoring approach, based on qualitative models, efficiently depicts valuable vague and uncertain information that is currently discarded during the modeling. The proposed method expands the ability of Situation-based Qualitative Modeling and Analysis (SQMA) to monitor complex processes by integrating elements of the Rough Set Theory and Stochastic Qualitative Automata. The resulting models are considerably more precise than other similar-sized qualitative models. At the same time, the new method develops more compact and precise qualitative models than traditional qualitative models of the same precision.

Die Geschichte hat immer wieder gezeigt, dass die industrielle Entwicklung Risiken mit sich bringt, die nicht übersehen werden sollten. Diese Risiken betreffen die Gefährdung von Menschen, Umwelt und den Produktionseinrichtungen selbst. Aus diesem Grund sollte die beständige Entwicklung neuer Produktionstechnologien durch eine angemessene Entwicklung industrieller Sicherheitsmethoden begleitet werden. Sicherheitssysteme für komplexe Prozesse basieren in der Regel auf einer präzisen Überwachung der Prozesszustände in Bezug auf “korrektes” Verhalten. Das Problem besteht darin, zu bestimmen, wann ein Prozessverhalten korrekt ist. Für diesen Zweck werden häufig Prozessmodelle benutzt, die das jenige Prozessverhalten widerspiegeln, welches aus Sicht der Produktion als „sicher“ oder „geeignet“ bewertet werden kann. Die Entwicklung präziser Modelle wird allerdings aufgrund der zunehmenden Komplexität der zu überwachenden Prozesse beständig schwieriger. Existierende Methoden können den Komplexitätsgrad aktueller Produktionssysteme kaum handhaben. Die Anwendbarkeit von analytischen Modellierungsmethoden ist auf sehr einfache Prozesse begrenzt. Empirische Modelle, die z.B. auf Statistiken oder Techniken der künstlichen Intelligenz basieren, müssen auf die Darstellung von einzelnen Variablen oder kleinen Teilsystemen beschränkt werden, damit die Modelle handhabbar bleiben und nutzbare Informationen liefern. Für die Überwachung komplexer Prozesse werden häufig qualitative Modelle verwendet. Diese Modelle basieren auf der Abstraktion von Prozessinformationen auf Basis von Wertebereichen, die das Prozessverhalten symbolisch darstellen. Jedoch ist die Anwendbarkeit qualitativer Modellierungsmethoden wegen der Größe der resultierenden Modelle auch teilweise eingeschränkt. In dieser Forschungsarbeit wird ein neuer Ansatz für die Prozessüberwachung auf Basis qualitativer Modelle vorgeschlagen. Er integriert zweckmäßig vage und ungewisse Informationen ins Modell, die ansonsten während der Modellierung vernachlässigt werden würden. Die vorgeschlagene Methode integriert Elemente der Rough-Sets-Theorie und der stochastischen qualitativen Automaten in das Situationsbasierte Qualitative Modellbildungs- und Analyseverfahren (SQMA). Die resultierenden Modelle sind deutlich präziser als qualitative Modelle ähnlicher Größe. Ebenso erlaubt die neue Methode die Entwicklung von qualitativen Modellen, die - bei vergleichbarer Genauigkeit - kompakter als traditionelle qualitative Modelle sind. Damit wird die Anwendbarkeit der SQMA-Prozessüberwachung für Systeme erweitert, welche eine größere Komplexität als die aufweisen, die mit den aktuellen Techniken überwacht werden können.