thiết lập giao thức nhận dạng và phân loại lỗi trong hệ thống phức tạp

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP TRƯỜNG THIẾT LẬP GIAO THỨC NHẬN DẠNG VÀ PHÂN LOẠI LỖI TRONG HỆ THỐNG PHỨC TẠP Mã số: T2019-06-131 Chủ nhiệm đề tài: TS Trần Ngọc Hoàng Đà Nẵng, Tháng 6/2020 ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP TRƯỜNG THIẾT LẬP GIAO THỨC NHẬN DẠNG VÀ PHÂN LOẠI LỖI TRONG HỆ THỐNG PHỨC TẠP Mã số: T2019-06-131 Xác nhận quan chủ trì đề tài Chủ nhiệm đề tài DANH SÁCH THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI Trần Ngọc Hồng DANH SÁCH ĐƠN VỊ PHỐI HỢP CHÍNH Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng BÁO CÁO TỔNG KẾT ĐỀ TÀI CẤP CƠ SỞ DANH MỤC CÁC BẢNG Số hiệu Tên bảng Trang Bảng 4.1 Biến đo lường liên tục 42 Bảng 4.2 Biến đo lấy mẫu 42 Bảng 4.3 Biến điều khiển 43 Bảng 4.4 Bảng tên lỗi 43 Bảng 4.5 Các biến sử dụng mơ hình chuẩn đốn 45 Bảng 4.6 Các giá trị rời rạc hoá biến 48 THỰC HIỆN: TS TRẦN NGỌC HOÀNG BÁO CÁO TỔNG KẾT ĐỀ TÀI CẤP CƠ SỞ DANH MỤC CÁC HÌNH VÀ BIỂU ĐỒ Số hiệu Tên bảng Trang Hình I.1 Sơ đồ AMS tổng quát Hình I.2 Sơ đồ cấu trúc tháp điều khiển CIM Hình I.3 Sơ đồ cấu trúc thành phần điều khiển Hình I.4 Ví dụ DataBase EDA Hình I.5 Mơ hình mơ tả bước q trình quan sát theo dõi sức khoẻ thiết bị sản xuất 11 Hình II.1 Phân loại phương pháp phân loại biến 20 Hình III.1 Ví dụ mạng Bayes 27 Hình III.2 Ví dụ cấu trúc mạng Bayes tăng lên 29 Hình III.3 Cấu trúc mạng bayes phân cấp 30 Hình III.4 Sơ đồ khối mơ hình chuẩn đốn 35 Hình IV.1 Sơ đồ qui trình sản xuất cơng nghiệp TEP 40 Hình IV.2 Quy trình phương pháp chuẩn đốn lỗi mạng Bayesian 44 Hình IV.3 Mơ hình xây dừng mối quan hệ biến xác nhận 47 Hình IV.4 Mơ hình chuẩn đốn mạng Bayesian Matlab 47 Hình IV.5 Dữ liệu biến lỗi F6 biến thiên theo thời gian 49 Hình IV.6 Xác suất có điều kiện biến điều khiển 50 THỰC HIỆN: TS TRẦN NGỌC HOÀNG BÁO CÁO TỔNG KẾT ĐỀ TÀI CẤP CƠ SỞ DANH MỤC CÁC CHỮ VIẾT TẮT AMS Automated Manufacturing System BN Bayes Network CIM Computer Integrated Manufacturing DB Data Base DM Data mining ERP Enterprise Resource Planning EM Expectation-Maximization FDC Fault Detection Classification FMEA Failure Mode and Effects Analysis ML Machine Learning R2R Run to run SPC Statistical Process Control TEP Tennessee Eastman Process VM Virtual Metrology THỰC HIỆN: TS TRẦN NGỌC HOÀNG Báo cáo tổng kết đề tài khoa học Table of Contents PHẦN MỞ ĐẦU CHƯƠNG I TỔNG QUAN NGHIÊN CỨU 1.1 1.1.1 1.1.2 1.2 1.2.1 1.2.2 Hệ thống sản xuất tự động (Automated Manufacturing System – AMS) Cấu trúc vật lý Hệ thống điều khiển Giám sát sản xuất Bảo trì cơng nghiệp Quá trình điều khiển 1.3 Hệ thống thông tin 1.4 Vấn đề đề tài 11 CHƯƠNG II CƠ SỞ LÝ THUYẾT PHƯƠNG PHÁP NGHIÊN CỨU 14 2.1 2.1.1 2.1.2 2.1.3 2.1.4 2.1.5 2.1.6 2.2 2.2.1 2.2.2 2.3 2.3.1 2.3.2 2.3.3 2.3.4 2.3.5 Các phương pháp xử lý biến liệu 15 Phương pháp Lọc liệu - Filter 15 Phương pháp Tương quan liệu - Correlation 15 Phương pháp Phân loại - Classification 17 Phương pháp Hồi qui - Regression 17 Phương pháp Xếp hạng lựa chọn biến 18 Phương pháp Rừng ngẫu nhiên 19 Các phương pháp phân loại liệu 19 Phương pháp phân loại giám sát 20 Phương pháp phân loại không giám sát 20 Các phương pháp mơ hình hố 21 Xác định tiêu chuẩn 22 Phương pháp K hàng xóm gần 23 Phương pháp Mạng Nơron 23 Phương pháp Cây định 24 Phương pháp Mạng Bayes 25 CHƯƠNG III QUÁ TRÌNH THIẾT LẬP BAYESIAN ĐỂ CHUẨN ĐOÁN LỖI 26 3.1 3.1.1 3.1.2 Tổng quan mạng Bayes (hoặc Bayesian) 26 Định nghĩa tính chất 26 Học hỏi Suy luận 30 3.2 Mơ hình hố 33 3.3 Phần mềm ứng dụng 36 CHƯƠNG IV ỨNG DỤNG VÀ KẾT QUẢ .38 4.1 4.1.1 4.1.2 4.2 Giới thiệu trường hợp ứng dụng 38 Quy trình TEP 38 Đề xuất mơ hình chuẩn đốn TEP theo Mạng Bayesian phân cấp 44 Kết chuẩn đoán lỗi 48 KẾT LUẬN VÀ KIẾN NGHỊ 52 Báo cáo tổng kết đề tài khoa học Báo cáo tổng kết đề tài khoa học PHẦN MỞ ĐẦU Ngày nay, trình cơng nghiệp hố đẩy doanh nghiệp vào cạnh tranh khốc liệt Trong bối cảnh đó, thành công phụ thuộc vào chất lượng sản xuất lẫn chất lượng sản phẩm Do đó, nhà sản xuất phải tối đa hoá hiệu suất chất lượng sản xuất thơng qua ba tiêu chí: vịng đời sản phẩm, giá hiệu Để đạt điều đó, họ thường tập trung vào việc tăng khả sẵn sàng thiết bị sản xuất thông qua kế hoạch bảo trì bảo dưỡng chặt chẽ hiệu Nghiên cứu nhằm phát triển mơ hình chuẩn đoán phân loại lỗi để hỗ trợ người trình thiết lập trình bảo dưỡng thiết bị công cụ sản xuất Phương pháp mô hình hố chọn lựa dựa sở phân tích học thuật phương pháp phân loại học liệu từ cổ điển đến đại Theo phương pháp học mạng Bayes giới thiệu thực theo bước mơ hình hố với thuật tốn Trên liệu mơ từ quy trình sản xuất dược phẩm, mơ hình chuẩn đốn lỗi thể kết chuẩn đốn có giá trị so sánh với kết thực nghiệm Cuối cùng, số bàn luận định hướng phát triển đưa để phát triển đề tài Báo cáo tổng kết đề tài khoa học 1.1 CHƯƠNG I TỔNG QUAN NGHIÊN CỨU Hệ thống sản xuất tự động (Automated Manufacturing System – AMS) 1.1.1 Cấu trúc vật lý Hệ thống sản xuất tập hợp tất yếu tố (vật liệu, người, phần cứng phần mềm) tham gia vào trình sản xuất Một quy trình điều chỉnh đặc tính vật lý sản phẩm thông qua hoạt động đúc, gia công, rèn lắp ráp lĩnh vực sản xuất trình khử, tách, tinh chế lĩnh vực hóa học xử lý nước Hệ thống sản xuất tạo thành từ hệ thống điều khiển trạm sản xuất (xem hình I.1) Figure I.1 Sơ đồ AMS tổng quát [1] Theo đó, thành phần hệ thống sản xuất mô tả đây: Phần vận hành : thiết bị biến đổi sản phẩm Cũng gọi trạm sản xuất (hoặc trạm làm việc), chúng tạo thành yếu tố để thực hoạt động sản xuất Theo tiêu chuẩn [35], yếu tố máy móc (robot, máy tiện, máy phay, ), đơn vị vận chuyển, v.v chí người vận hành Trong thực tế, trạm sản xuất hồn tồn tự động, hồn tồn thủ cơng chí kết hợp Hiệu suất trạm phụ thuộc vào yếu tố Dịng sản phẩm đại diện cho tất thực thể trải qua trình chuyển đổi hệ thống sản xuất (nguyên liệu thô, chế biến, lắp ráp, sản phẩm hoàn thiện) Báo cáo tổng kết đề tài khoa học %% Calcul : Affichage des lois marginales et des Distributions evidence=cell(1,N); engine=enter_evidence(engine,evidence); for i=1:N marg=marginal_nodes(engine,i); % calculer les lois marginales Node_Number=i; % afficher le num?ro du noeud Pbi=marg.T; % afficher les lois marginales s=struct(bnet1.CPD{i}); % calculer les tables de probabilit?s conditionnelles CPT=s.CPT; % afficher les tables de probabilit?s conditionnelles % CPT{i}=s.CPT; end % %% Observation %observation 1: evidence{F6}=2; evidence{xmeas1}=2; evidence{xmeas2}=3; evidence{xmeas3}=3; % Probabilities a priori des variables engine=enter_evidence(engine,evidence); marg_F6=marginal_nodes(engine,F6); marg_xmeas1=marginal_nodes(engine,xmeas1); marg_xmeas2=marginal_nodes(engine,xmeas2); marg_xmeas3=marginal_nodes(engine,xmeas3); marg_xc3=marginal_nodes(engine,xc3); marg_xc4=marginal_nodes(engine,xc4); marg_xc5=marginal_nodes(engine,xc5); marg_xc11=marginal_nodes(engine,xc11); %% Observation : representation graphique des probabilities de marginal figure(2); % subplot(2,4,1), marg_F6.T; bar(marg_F6.T); title('P(F6)');grid on; % subplot(2,4,2), marg_xmeas1.T; bar(marg_xmeas1.T);ylim([0 1]); title('P(xmeas1)');grid on; % subplot(2,4,3), marg_xmeas2.T; bar(marg_xmeas2.T); ylim([0 1]); title('P(xmeas2)');grid on; % subplot(2,4,4), marg_xmeas3.T; bar(marg_xmeas3.T); ylim([0 1]);title('P(xmeas3)');grid on; subplot(2,4,1), marg_xc3.T; bar(marg_xc3.T);ylim([0 1]); title('P(xc3-bth)');grid on; subplot(2,4,2), marg_xc4.T; bar(marg_xc4.T); ylim([0 1]);title('P(xc4-bth)');grid on; subplot(2,4,3), marg_xc5.T; bar(marg_xc5.T);ylim([0 1]); title('P(xc5-bth)');grid on; subplot(2,4,4), marg_xc11.T; bar(marg_xc11.T);ylim([0 1]); title('P(xc11-bth)');grid on; 58 Báo cáo tổng kết đề tài khoa học %% %% %% Observation evidence{F6}=1; evidence{xmeas1}=1; evidence{xmeas2}=3; evidence{xmeas3}=2; % Probabilities a priori des variables engine=enter_evidence(engine,evidence); marg_F6=marginal_nodes(engine,F6); marg_xmeas1=marginal_nodes(engine,xmeas1); marg_xmeas2=marginal_nodes(engine,xmeas2); marg_xmeas3=marginal_nodes(engine,xmeas3); marg_xc3=marginal_nodes(engine,xc3); marg_xc4=marginal_nodes(engine,xc4); marg_xc5=marginal_nodes(engine,xc5); marg_xc11=marginal_nodes(engine,xc11); %% Observation : representation graphique des probabilities de marginal figure(2); % subplot(2,4,1), marg_F6.T; bar(marg_F6.T); title('P(F6)');grid on; % subplot(2,4,2), marg_xmeas1.T; bar(marg_xmeas1.T); title('P(xmeas1)');grid on; % subplot(2,4,3), marg_xmeas2.T; bar(marg_xmeas2.T); title('P(xmeas2)');grid on; % subplot(2,4,4), marg_xmeas3.T; bar(marg_xmeas3.T); title('P(xmeas3)');grid on; subplot(2,4,5), marg_xc3.T; bar(marg_xc3.T); title('P(xc3fault)');grid on; subplot(2,4,6), marg_xc4.T; bar(marg_xc4.T); title('P(xc4fault)');grid on; subplot(2,4,7), marg_xc5.T; bar(marg_xc5.T); title('P(xc5fault)');grid on; subplot(2,4,8), marg_xc11.T; bar(marg_xc11.T); title('P(xc11fault)');grid on; 59 International Journal of Recent Technology and Engineering (IJRTE) ISSN: 2277-3878, Volume-9 Issue-1, May 2020 Diagnosis Failure Cause of complex Pharmaceutical System by Bayes Learning for Decision Support Ngoc-Hoang Tran on equipment/process, a proposed diagnosis methodology is presented in [3] are modeled as Bayesian network (BN) with unsupervised learning of structure using data collected from the variables (classified as symptoms) across production, process, equipment and maintenance databases That approach contributes in increasing the effectiveness of diagnosis process failure but need proved in a real manufacturing process Our work put in place between of development this diagnosis approach and instantiating in our real study case: Pharmaceutical Danapha's pharmaceutical production process This paper is organized by follow structure: in next section, we present the element of diagnosis process, modeled by probabilistic Bayes Network (BN) approach Then an application on pharmaceutical process and diagnosis results show how to our model work Finally, conclusion close this paper Abstract: This work proposes a real application of diagnosis protocol for complex pharmaceutical process drifts Main challenge is to identify and classify failure causes of production process The model which we have proposed is structured in the causal graph form, named “Hierarchical Naïve Bayes” (HNB) formalism Our contribution is the presentation of a methodology that allows developing flexibility in particular complex pharmaceutical production context A data extraction and processing prototype is performed in this paper from real pharmacy company to build Bayesian model Diagnosis results are decision support elements that built based on HNB probabilities Furthermore, this work can be applied in order to improve production quality in businesses competition Keywords: Modeling and identification, Pharmaceutical production system, Data learning, Equipment diagnosis, Bayes Networks I INTRODUCTION II DIAGNOSIS PROCESS P harmaceutical production process is considered to be particularly complex, uncertainty and sensitive to production drifts This process is characterized not only by complex manufacturing process and a highly uncertain environment [1], and more by direct intervention from process operation of operators, control recipe quality to decision - making This make constant searching for maximum quantify risk accurately to improve product quality and reduce associated costs, fault isolation, detection and diagnosis have important one According that, many diagnosis methods have been developed such as [6, 7] to localize more quickly and diagnosis accurately the failures causes of manufacturing process These approaches model equipment as a single unit and collect data from sensors to identify equipment failures against product and process drifts However, sensors are not directly positioned on the product for technical reasons Therefore, the manufacturing process has the risk of not observing perturbation that affects the product quality [2] Many drifts are unavoidable in the production process Indeed, recent increase of equipment breakdown in complex production process needs an improved methodology to ensure sustainable analyses capacities The analysis on an experimental production data from a pharmaceutical Danapha's production process show that failure have significantly increased according its complex and important collected data With the objective is to support maintenance engineers for more accurate decisions about failures and correction actions In this section, we present the diagnosis process consist of four steps described as Fig.1 that are designed based on the identification and classification variable process in [3] This process in this paper is identified potential causes and propose of their characterized parameters on pharmaceutical process A Instantiating characterized variables of pharmaceutical context The first phase shows the analysis of the production system context where was characterized by high complexity and uncertainty in industrial manufacturing environment Pharmaceutical system is even more complex by multiple processes exploitation on same production line with a large operations numbers to produce a finished product from raw material Also, uncertain factor is presented by equipment drifts, human errors that unscheduled, can impact the process control and product quality Fig 1.Diagnosis process Revised Manuscript Received on May 21, 2020 * Correspondence Author Ngoc-Hoang Tran*, The University of Danang – University of Technology and Education, 48 Cao Thang, Danang, Vietnam Email: tnhoang@ute.udn.vn Retrieval Number: F9796038620/2020©BEIESP DOI:10.35940/ijrte.F9796.059120 Published By: Blue Eyes Intelligence Engineering & Sciences Publication Diagnosis Failure Cause of complex Pharmaceutical System by Bayes Learning for Decision Support software (Bayesfusion, BayesiaLab, AgenaRisk ) By learning data, the conditional probability table of each variable of Bayes network is computed based on the Bayes theory These probabilities results support us to make decision of correction and maintenance process [5] In this paper, the formalization of the Bayes Network (BN) model begin with the generation of all the variables of the model for the considered production system In fact, the previous step can be considered as a definition step of the types of variables, this step will extract from the database the information necessary for the instantiating such as for example the list of sensors, involved on the equipment and thus generate the associated variables B Definition of variable causality (RM/RC) In this phase, we analyze variable correlation data to identify a set of causal relationship of variable, consist of Failure Modes (FM) and Root Causes (RC) In this case, by using the Failure Modes, Effects and Critically Analysis (FMECA) approach which was supported by Danapha‟s company experts, this phase determines the considered priorities that using for the qualitative classification of failure modes C Formalization Bayes Network model A Bayes Network provide a simple representation graph including of nodes and arcs [8] These nodes representation the system state or process condition: discrete or continuous, observable or unobservable variable Respectively, the arcs of Bayes Networks represent the causal relations between their nodes In order to model a probability distribution of Bayes Network, it is necessaire to be based on Bayes‟ theorem: In general, given a set of node X = {X1, X2,…, Xn}, we calculate the joint probability distribution P(X) of these nodes by follow formula: n P X P( X i / Parents( X i )) D Modelling Once the Causes and the Failure Mode is identified by experts in previous phase, we combine them to build a Bayesian graphical structure model This structure can be approved by learning structure from a historical database dedicated to learning with appropriate algorithms Result of this phase makes show us different probability distributions associate with each of the variables Finally, the testing and validation this model is consists in interrogating the model for predicting the failure modes or to diagnose their origins on a production data dedicated for testing (1) i III APPLICATION TO PHARMACEUTICAL PROCESS A Description In our framework of this paper, we interest in pharmaceutical manufacturing of dosage forms and its production process Fig illustrates a part of an operation poste for manufacturing of pharmaceutical dosage-form products in DANAPHA company From stock, Pharmaceutical material blends are be milled by a milling machine, direct after that to dry granulation or high mixed speed to obtain the desired physical properties, before their formulation as a finished drug product In the granulation, the active ingredients and excipients are wetted with aqueous or solvent solutions to produce course granules with enlarged particle sizes The granules are dried, mixed with lubricants (e.g., magnesium stearate), disintegrates or binders, then compressed into tablets at the end of this process [12] Many different faults that are different nature are detected in this process They are for example malfunction component, production drift (variation of certain variables values) or actuators breakdowns In this paper, we propose to work on only two faults that can be allowed presenting (FM1 and FM2) as table I Fig Hierarchical Naïve Bayes models example A classical Bayes network, also called Naïve Bayes network or Bayes classifier is simplest structure which has two nodes levels: parent node (one single node) and children node (one or several nodes) This classifier is used common cause it's performance In this network, its variables are all discrete However, Naïve Bayes networks has many disadvantages on unsupervised process where it exists the unmeasured levels In fact, they are developed in recent years such as Latent Hierarchical models [9], Hierarchical Naïve Bayes models [11] These works provide an extension of classical Bayesian network with the latent nodes which their class (shown in blue in the Fig 2) is unmeasured and unobserved To build a Bayesian network, two concepts of learning are normally used: parameter learning and structure learning The first allows to estimate the conditional probability laws (parameters) given a structure of Bayes network by acquiring expert‟s knowledge The second, it must determine an optimal graphical structure of the model by learning from observed production data However, it should be noted that depend on learning data quality and it will grow in a super-exponential correspond this data set size For Bayesian inference, there are many algorithms (Maximum Likelihood, Expectation – Maximization…) with multi libraries are large used (R-bayesm, BNT Matlab, BNJava, ) and quality Retrieval Number: F9796038620/2020©BEIESP DOI:10.35940/ijrte.F9796.059120 B Diagnosis model Corresponding to two fault FM1 and FM2, a set of variables which consist of process parameters and latent causes is proposed as table I These variables are inherently based on knowledge of Danapha‟s experts that pilot process directly This table is also confirmed by an inference mechanism from historical collected data In general, we propose three distinct categories of variables: Published By: Blue Eyes Intelligence Engineering & Sciences Publication International Journal of Recent Technology and Engineering (IJRTE) ISSN: 2277-3878, Volume-9 Issue-1, May 2020 High speed mixer Milling machine Fluidized bed dryer Stock Stream vapeur Dry Granulation Mixed Lubricant machine Fig 3.Danapha’s pharmaceutical manufacturing of dosage- form product Fig 4.Diagnosis model by Hierarchical nạve Bayes network • Primary class: These Failure Modes (FMi) that we assume to represent the happen states in manufacturing process These variables take two possible values (detected, not detected): two failure variables FM1 and FM2 correspond to express the “Wet granulation” and “Mixed lubricant gear deflection” • Second class: The Root Causes (RCj) are quantitative variables defined by expert opinion They correspond to three elements causes of process As above variables, these RCj take binary mode (observed or unobserved) C Diagnosis Results Our contribution is at first Bayes learning simulation data learning by collecting multi production data in case study A matrix (11 x 10.000) corresponding to 11 variables (as we described) and 10.000 real collected samples from Danapha's company for learning the probabilities are created by BNT Matlab © library [10] The calculation of probabilities is calculated by MLE (Maximum Likelihood Estimation) algorithm The principal idea of this algorithm is estimating the probability of a variable based on its occurrence in the considered dataset In pharmaceutical manufacturing, the production process is normally controlled and monitored in real time by Fault Detection and Classification (FDC), Statistical Process Control (SPC) This manufacturing process is located in the coordination level in CIM pyramid Therefore, planning & supervision systems such as the Enterprise Resource Planning system (ERP), Computerized Maintenance Management System (CMMS), Manufacturing Execution System (MES) [11], SCADA system (Supervisory Control and Data Acquisition) are integrated to manage from production demands to collect the production information of control process Therefore, our production dataset for learning consist of production time, machine‟s name, machine ID, function, recipe, human factor Moreover, the dataset of maintenance consists of Time, Machine‟s name, Machine state evaluation The dataset is collected in six months from the CMMS, the metrology detects the product quality where final products are detected as good or bad product.Also, the metrology data composes of time, product type, Lot number and Product quality in real time Our learning data is built by collecting from FDC, SPC, RMS, metrology data, production data as shown in Fig Table- I: Process variables of diagnosis model Node Description FM1 Wet Granulation FM2 Mixed Lubricant gear deflection RC1 High Mixed Volume RC2 Low Milling Quality RC3 Air Heater Pressure Para1 Material Volume Para2 Milling‟s rotor speed Para3 Dry Granulation‟s roller speed Para4 Drying pressure Para5 Drying temperature Para6 Drying volume • Third class: The Parameter descriptions Paran (n=1→50): they are determined by the real Danapha‟s process There are totally 50 parameters that identified in this process by Danapha‟s operators In this paper, we propose table I in which present only six collected parameter which are considered In order to model, these variables have either a binary mode (true/ false) which is resulting from discretization process A graph structure model with these three variables classes is proposed based on Bayes „s rules That classify the diagnosis failure causes with two hierarchical classes RCj and Paran In which the RCj is represented by knowing the parameter Paran nodes who is considered also as the causes This model offers at the final the probability distributions associated with each of variable in Fig In follow section, our result would be presented in next section Retrieval Number: F9796038620/2020©BEIESP DOI:10.35940/ijrte.F9796.059120 Fig 5.Collected production data for Bayes learning Published By: Blue Eyes Intelligence Engineering & Sciences Publication Diagnosis Failure Cause of complex Pharmaceutical System by Bayes Learning for Decision Support Fig Diagnosis results by probabilites of variables Then, Fig present results illustrative a scenario inference whereas have only the probability distributions of a part of variables on table I after learning from database The probabilities of these variables from two case without and appear of failure mode FM1 in system By comparing it‟s probabilities in two case, operator can make a correct decision P(RCi|FM) and P(Paran|RCi) of each variable show us how‟s our model work since the observation a failure mode In fact, probabilistic inference is obviously based on learning results The result show in Fig that the proposed method performs good detection capability by showing the root cause RC3 and Para3 who cause the high speed of roller of drying A real problem drift of Air Heater Pressure of manufacturing process is happened in reality on April 2016 in this Danapha‟s atelier Base on learning and inference results, a similar inference is founded as comparing with happens reality This show how our model works for supporting to make a correct decision However, it must be note that the structure of classifier is not easily established even either by learning from data or expert's opinion if it's existant too many variables representing production process Therefore, it should be necessary to propose weights primarily for each variable depend on their differences properties in order to make optimal distribution These indicators can be proposed by operator‟s experience or by learning from historical production data in some case This research is funded by University of Technology and Education – The University of Danang under project number T2019-06-131 REFERENCES Zio, Enrico (2013) "System Reliability and Risk Analysis." The Monte Carlo Simulation Method for System Reliability and Risk Analysis Springer, London, 7-17 Bouaziz M.-F, Zamaï E, Duvivier F (2013) “Towards Bayesian Network Methodology for Predicting the equipment Health Factor of Complex Semiconductor Systems” International Journal of Production Research, Volume 51, Issue 15, 4597-4617 Tran, N H., Bouaziz, M F., & Zamaï, E (2014) “Identification and classification protocol for complex systems” In 2nd European Conference of the Prognostics and Health Management Society, PHME 2014 (pp 58-65) Pearl J., (1988) Probabilistic reasoning in intelligent systems: Networks of plausible inference Morgan – Kaufmann, San Diego Pearl, Judea (2014) Probabilistic reasoning in intelligent systems: networks of plausible inference Elsevier M Sampath, S Lafortune and D Teneketzis, (1998) Active diagnosis of discrete-event systems, Auto- matic Control, IEEE Transactions on, 43(7), pp 908–929 E Deschamps and E Zamai, (2007) Diagnosis for control system reconfiguration, In IFAC Manage- ment and Control of Production and Logistics, volume 4, no.1, pp 377–382 Jensen F.V., (1996) Introduction to Bayesian networks, UCL Press, London Bishop, C M and Tipping M E., (1998) “A hierarchical latent variable model for data visualization” IEEE Transactions on Pattern Analysis and Machine Intelligence 20(3), 281–293 10 Murphy K., The Bayes Net Toolbox for Matlab (2011) Computing Science and Statistics: Proceedings of Inference, vol 33 11 Tran, N H., Henry Sébastien, and Eric Zamaï (2016) "Generic and configurable diagnosis function based on production data stored in Manufacturing Execution System." Third European Conference of the Prognostics and Health Management Society 2016 Vol No 057 12 Gibson, Mark, ed Pharmaceutical preformulation and formulation: a practical guide from candidate drug selection to commercial dosage form CRC Press, 2016 IV CONCLUSION This paper deal with diagnosis problem of industrial pharmaceutical production Our methodology is presented with detailed steps from definition of characteristics of pharmaceutical context to particular Bayes approaches for modelling diagnosis process In simulation result, this method is effectiveness for diagnosis failure cause on complex data in Danapha‟s case study AUTHORS PROFILE Mr Ngoc-Hoang Tran was born in Danang, Vietnam in 1986 He completed his Master‟s degree on engineering of complex system in 2013 and PhD degree in automation and civil production from Grenoble-INP, France in 2018 He is currently working on Mechatronics departmentFaculty of Mechanical engineering, University of Technology and Education – The University of Danang His main research interests include equipment diagnosis, IoT supervision and AI recognition with Bayes network technology ACKNOWLEDGMENT The author wishes to thank Danapha Pharmaceutical Company This work was supported in part by their description documents of manufacturing process, learning production data and real scenarios Retrieval Number: F9796038620/2020©BEIESP DOI:10.35940/ijrte.F9796.059120 Published By: Blue Eyes Intelligence Engineering & Sciences Publication PHÂN TÍCH VÀ ỨNG DỤNG PHƯƠNG PHÁP HỌC MÁY ĐỂ CHUẨN ĐOÁN LỖI CHO CHU TRÌNH SẢN XUẤT CƠNG NGHIỆP ANALYZE AND APPLICATION MACHINE LEARNING TECHNIQUE FOR DIAGNOSIS INDUSTRIAL PRODUCTION PROCESS Trần Ngọc Hoàng1 Trường Đại học Sư phạm Kỹ thuật – Đại học Đà Nẵng, 48 Cao Thắng, Đà Nẵng, Việt Nam TÓM TẮT Bài viết đề xuất giao thức ứng dụng q trình chuẩn đốn máy phản ứng quy trình phức tạp Bằng cách sử dụng Kỹ thuật học tập Bayes, giao thức đào tạo cách học sở liệu sản xuất lịch sử để chuẩn đoán nguyên nhân thất bại lò phản ứng trình sản xuất Ứng dụng lĩnh vực tự động hóa, mơ hình đề xuất cấu trúc tự động từ trích xuất liệu thu thập trực tiếp từ cảm biến Dựa thuật toán Tối đa hóa kỳ vọng học máy, chúng tơi cho thấy kết mơ hình phân loại để xác định nguyên nhân gốc rễ vấn đề trôi dạt mô kịch cụ thể Do đó, đóng góp chúng tơi để hỗ trợ máy cơng cụ bảo trì để tăng kỹ thuật vịng đời Từ khóa: Điều khiển hệ thống sản xuất; Học mạng Bayes; Hệ thống sản xuất phức tạp; Chu trình chuẩn đốn; Bảo trì sữa chữa ABSTRACT This paper proposes an application protocol of diagnosis process in a reactor machine of a complex process By using Bayes Learning Technique, this protocol is trained by learning historical production database in order to diagnosis the failure cause of this reactor in production process Application in automation field, the model propose is structured automatically from collected data extract directly from sensors Based on Expectation Maximization algorithm in machine learning, we show that the result of this model is to classify and also to identify the root causes of drift problem in a specific scenario simulation Therefore, our key contribution to support maintenance tool machine for increasing life-cycle engineering Keywords: Control production; Bayes learning; Complex system; Diagnostics process; Corrective Maintenance GIỚI THIỆU Ngày nay, q trình cơng nghiệp hố đẩy doanh nghiệp vào cạnh tranh khốc liệt Trong bối cảnh đó, thành cơng phụ thuộc vào chất lượng sản xuất lẫn chất lượng sản phẩm Do đó, nhà sản xuất phải tối đa hoá hiệu suất chất lượng sản xuất thơng qua ba tiêu chí: vòng đời sản phẩm, giá hiệu [1] Để đạt điều đó, họ thường tập trung vào việc tăng khả sẵn sàng thiết bị sản xuất thơng qua kế hoạch bảo trì bảo dưỡng chặt chẽ hiệu Tuy nhiên, thực tế tất khâu thiết bị sản xuất trang bị cảm biến để đo phản hồi kết lý kỹ thuật lẫn lý đầu tư sản xuất Do vậy, trình sản xuất luôn tồn nhiều rủi ro việc quan sát nhiễu loạn trơi dạt mà máy móc khơng hoạt động yêu cầu, tạo nên ảnh hưởng tới chất lượng sản phẩm Trong thiết bị sản xuất gần khơng có chế nội để xác định vấn đề đến từ đâu sản phẩm đưa không chất lượng Do đó, thực tế nhiều trơi dạt hoạt động (sự sai lệch hoạt động khiến cho thiết bị sản xuất đem lại kết chất lượng sản phẩm dự kiến) tránh khỏi q trình sản xuất Trong bối cảnh đó, vấn đề lại trở nên nghiêm trọng mà thời đại công nghiệp 4.0 tạo nên khối lượng đồ sộ liệu sản xuất (con người, cảm biến, cơng thức, vật liệu…) Quy trình phân tích khối liệu để trích xuất thơng tin cần thiết cho trình giám sát theo dõi thiết bị mơ tả tổng qt hình phẩm) thời gian sản xuất kéo dài (có lên đến đến 10 tuần sản xuất) Do đó, môi trường sản xuất công nghiệp hàm chứa nhiều yếu tố không chắn định (sự sai lệch hoạt động thiết bị sản xuất, sai sót người vận hành ) ảnh hưởng đến trình điều khiển bối cảnh bảo trì Do đó, tác giả phân tích phương pháp học máy phổ biến dựa tiêu chuẩn định để phù hợp với bối cảnh sản xuất công nghiệp 4.0: • Hình Mơ hình mơ tả bước trình quan sát theo dõi sức khoẻ thiết bị sản xuất • Cơng việc viết tác giả tập trung vào q trình trích xuất liệu đưa mơ hình chuẩn đốn lỗi cho thiết bị máy móc sản xuất • Để làm rõ điều đó, viết tổ chức sau: mục 2, tác giả trình bày sở phân tích lý thuyết xung quanh kỹ thuật học máy (machine learning), từ chọn áp dụng kỹ thuật học mạng Bayesian Mục sở trình bày chu trình ứng dụng mạng Bayesian vào trình học liệu từ hệ thống sản xuất Tiếp đó, mục trình bày trường hợp ứng dụng phương pháp đưa kết chuẩn đoán nguyên nhân lỗi áp dụng ví dụ mơ q trình sản xuất lò Tenessse Eastman Cuối cùng, kết luận thảo luận đề tài đóng lại viết CƠ SỞ LÝ THUYẾT Trong bối cảnh mà hệ thống sản xuất đặc trưng phức tạp cao không chắn nhiều yếu tố rủi ro Sản xuất cơng nghiệp chí cịn phức tạp với nhiều chu trình sản xuất chạy dây chuyền sản xuất với khối lượng bước thực sản xuất lớn (đặc biệt mơi trường bán dẫn cơng nghiệp dược • • • Thích hợp sử dụng với đa dạng đặc tính tập hợp tham số (rời rạc, liên tục, định tính định lượng) Ví dụ: thời gian, số đo kỹ thuật số, số lượng ) Thích hợp sử dụng với nhiều lớp tham số, liệu từ thiết bị sản xuất (cảm biến, động ) sản phẩm Thích hợp sử dụng với đa dạng nhiều loại biến (biến quan sát không quan sát được) Thể mối tương quan (mối quan hệ nguyên nhân – hệ quả) biến kiện Xử lý vấn đề thiếu/mất phần liệu liệu không chắn (trong trường hợp liệu học đầy đủ liệu học khơng đầy đủ) Khả thích ứng: định nghĩa khả sử dụng đa mục đích phương pháp mơ hình hố từ liệu, chẳng hạn: sử dụng để chuẩn đốn, dự đốn, tiên lượng lỗi, truy xuất nguyên nhẫn lỗi Dựa tiêu chi này, tác giả tiến hành phân tích ba loại phương pháp học máy phổ biến nhất: Cây định (Decision tree), mạng Nơ ron mạng Bayesian 2.1 Cây định Cây định công cụ phổ biến để phân biệt lớp (biến, tham số kiện) Ưu điểm định chúng dễ dàng chuyển đổi thành quy tắc dễ hiểu Do đó, đường dẫn (logic) dẫn đến định rõ ràng người dùng Nếu thuộc tính nhị phân, có hai định có thể, thuộc tính có phương thức k, có k định Do đó, việc định thực nhanh chóng, việc xây dựng mơ hình tốn nhiều thời gian Do đó, khả quản lý lớp tham số, Cây định khơng lớn khó khả thi Cây định số hạn chế: Đầu tiên số chúng khơng thực hỗ trợ giá trị liên tục Ln ln phân biệt chúng điều sau đặt vấn đề phân biệt tối ưu (mất thông tin so với biến ban đầu) Ngoài ra, định nhạy cảm với ồn nhiễu liệu Điều có nghĩa ln cần lọc liệu cho phương pháp 2.2 Mạng Nơ ron Mạng nơ-ron nhân tạo, gọi mạng nơ-ron thần kinh, kỹ thuật phi tuyến tính để dự đốn liệu thực kết nối số tế bào thần kinh làm phát sinh mạng lưới thần kinh Mạng có đầu vào từ bên ngồi kết nối với số nơ-ron định sau mạng cung cấp nhiều đầu ra bên (đầu nhiều nơ-ron mạng) Do đó, tế bào thần kinh làm cho mơ hình hóa số lượng đáng kể hành vi theo trọng số Tuy nhiên, mạng lưới thần kinh xử lý biến liên tục Mặc dù số lượng tế bào thần kinh lớp đầu vào đầu áp đặt số lượng đầu vào cho hệ thống mã hóa lớp khác (đối với lớp đầu ra), khơng có quy tắc tốn học để xác định số lượng lớp ẩn số lượng tế bào thần kinh lớp Tuy nhiên, thực tế phổ biến người ta sử dụng lớp ẩn tạo thành từ khoảng nửa số nơ-ron hệ thống cộng với Vì vậy, để xử lý liệu bị thiếu cần thiết định có điều kiện [8] Ưu điểm việc xác định mạng thần kinh cho phép mơ hình hóa q trình đa biến phi tuyến tính Thật vậy, sức mạnh mạng nằm cấu trúc trọng số áp dụng cho kết nối nó, điều khơng cho phép "tính thích ứng" tính đến 2.3 Mạng Bayesian Mạng Bayes hệ thống đại diện cho kiến thức giúp tính tốn xác suất có điều kiện cung cấp giải pháp cho loại vấn đề khác Cấu trúc loại mạng đơn giản: biểu đồ nút biểu thị biến ngẫu nhiên cung (do đồ thị định hướng) kết nối mạng sau có liên quan đến xác suất có điều kiện [2] Biểu diễn đồ họa trực quan ảnh hưởng kiện độc lập kiện với biến số khác, liên kết nguyên nhân với hiệu ứng mũi tên Các biến rời rạc liên tục (phân phối bình thường), quan sát không quan sát được, phát không phát Trong trường hợp chung, tập hợp biến X = {X1, X2, Xn}, hàm phân phối chung P (X) viết sau: P (X ) = n P( X i / Parents( X i )) (1) i =1 Có thể nói, có cơng cụ xử lý trường hợp biến rời rạc biến liên tục: mạng Bayesian Bởi vì, xây dựng mạng Bayesian với biểu đồ mơ hình liệu biến rời rạc bảng xác suất biến liên tục Mạng Bayesian đại diện cho nhiều biến số (theo nút) lớp phân cấp Việc tính tốn xác suất thực từ thuật tốn ước tính tối ưu (Tối đa hóa khả tối đa hóa kỳ vọng) biểu thị mối tương quan nút (sẽ trình bày mục sau) Do đó, lợi lớn mạng Bayesian khả thích ứng Bên cạnh mạng Bayes cho phép tính đến khía cạnh thời gian nhờ vào mạng Bayes động [22] Thật vậy, cấu trúc tham số khơng thay đổi theo thời gian, biểu diễn mạng Bayesian với mối tương quan thời gian Trong báo, tác giảthực phần phân tích theo yếu tố tiêu chí trình bày để làm rõ chọn lựa mạng Bayesian cách xây dựng mơ hình chuẩn đoán dựa học liệu, chi tiết phương pháp tiếp tục giới thiệu mục 3 QUÁ TRÌNH THIẾT LẬP MẠNG BAYESIAN CHO VẤN ĐỀ CHUẨN ĐỐN LỖI Trong phần này, tác giả mơ tả trình thiết lập mạng Bayesian cho vấn đề chuẩn đốn bao gồm hai bước mơ tả hình Bayesian, bảng phân tích lỗi hệ chuyển hố thành núi mạng (node) đường biểu thị nguyên nhân kết (arc) mơ hình mạng dạng mơ tả hình Trong viết này, tác giả sử dụng phân tích chế độ lỗi hệ FMEA sử dụng tối ưu kinh nghiệm từ người vận hành giám sát hệ thống sản xuất thiết lập hầu hết hệ thống sản xuất thực tế, sở liệu thể phân tích nguyên nhân - hệ chưa thực quan tâm nhiều sở sản xuất 3.2 Mơ hình hố Trong mục này, tác giả đề xuất chế học liệu để kiểm tra lại mối quan hệ nhân đề xuất chun gia (và tìm mối quan hệ mới) Cơ chế tự học tự động thực việc trích xuất từ liệu lịch sử sản xuất Mục tiêu giai đoạn học tập tìm cấu trúc mạng Bayes (học cấu trúc) ước tính xác suất có điều kiện (học tham số) Có thể chia hai loại liệu học tập: (i) với liệu đầy đủ, tất biến quan sát, khơng có biến tiềm ẩn Phương pháp đơn giản sử dụng rộng rãi ước tính thống kê, bao gồm ước tính xác suất kiện theo tần suất xuất kiện sở liệu Cách tiếp cận này, gọi khả tối đa (Maximum Likelihood Estimation) [4]: Hình Quy trình phương pháp chuẩn đốn lỗi mạng Bayesian 3.1 Phân tích quan hệ nhân Phân tích chế độ lỗi hệ (Failure mode and effects analysis – FMEA) phương pháp thường sử dụng để xác định danh sách loại lỗi nguyên nhân lỗi chuyên gia Trên thực tế, bảng phân tích chế độ lỗi hệ thể thông qua bảng dẫn báo cáo tổng hợp từ nhiều kỹ sư vận hành trực tiếp đến giám sát hệ thống sản xuất Nó xác định phân loại định tính chế độ lỗi kết bảo trì thực chuyên gia dựa kinh nghiệm hiểu biết họ [3] Ứng dụng phương pháp vào mạng 𝑁𝑖,𝑗,𝑘 𝑃(𝑋𝑖 = 𝑥𝑘 |𝑃𝑎(𝑋𝑖 ) = 𝑥𝑗 ) = 𝜃𝑖,𝑗,𝑘 = ∑ 𝑘 𝑁𝑖,𝑗,𝑘 (2) Trong Ni, j, k số lượng kiện sở liệu mà biến Xi trạng thái xk cha mẹ nằm cấu hình xj (ii) với liệu khơng đầy đủ: Trong ứng dụng thực tế, sở liệu thường không đầy đủ Sau nhận thấy tồn loại liệu không đầy đủ khác nhau, tiếp cận hai trường hợp xử lý tự động sau tập trung vào thuật tốn sử dụng nhiều thuật tốn cực đại hóa kỳ vọng (Expectation– maximization algorithm) [5] Về bản, phương pháp Bayesian phương pháp suy luận dựa báo cáo xác suất Nghĩa kết trình học tập từ liệu mơ hình mạng bảng xác suất bao gồm hai loại xác suất [6]: xác suất biên (Marginal probability) xác suất kiện (biến) mà không quan tâm đến kiện (biến) khác xác suất có điều kiện (Conditional probability) xác suất kiện (biến) A đó, biết kiện (biến) B khác xảy p (A│B) = (p (B│A) p (A)) / p (B) (3) Định lý Bayes cho phép đảo ngược xác suất Đó nói từ nguyên nhân để suy hậu Hay nói cách khác, hậu để quay trở lại ngun nhân, tức chuẩn đốn Do từ thất bại (hoặc lỗi), hệ thống dựa mạng Bayes xác định nguyên nhân xảy dẫn đến cố ỨNG DỤNG CHUẨN ĐỐN TRÊN QUY TRÌNH SẢN XUẤT TENNESSEE EASTMAN 4.1 Quy trình Tennessee Eastman Quy trình Tennessee Eastman quy chất Eastman nhằm cung cấp mơ quy trình cơng nghiệp thực để thử nghiệm phương pháp kiểm soát / giám sát trình [7] Quy trình bao gồm năm thành phần chính: lị phản ứng, thiết bị ngưng tụ, máy nén tái chế, thiết bị phân tách tháo gỡ Thuốc thử khí (gas) A, C, D, E khí trơ B đưa vào lò phản ứng Thành phần G H hai sản phẩm khí mong muốn tạo (product), F sản phẩm phụ không mong muốn Các phản ứng hóa học q trình đưa hệ phương trình (4) A(g)+C(g)+D(g) →G(lig) A(g)+C(g)+E(g) →H(lig) A(g)+E(g) →F(lig) 3D(g) →2F(lig) (4) (g) ký hiệu khí gas (lig) ký hiệu chất lỏng Trong khuôn khổ báo, chúng tơi ứng dụng mơ hình Bayesian chuẩn đốn lỗi cho lị phản ứng chu trình sản xuất Hình Mơ hình mơ quy trình cơng nghiệp Tennessee Eastman [9] trình phát triển Cơng ty Hóa Tennesse Eastman Tại lị phản ứng, thuốc thử loại khí đưa vào để bắt đầu q trình sản xuất, mơ tả phần khoanh trịn hình Tất phản ứng đảo ngược, tỏa nhiệt thứ tự quy định hệ phương trình (4) Tốc độ phản ứng biểu thị hàm nhiệt độ Arrhenius Phản ứng tạo lượng G lớn kích hoạt tạo H, dẫn đến độ nhạy nhiệt độ cao Quy trình Tennessee Eastman bao gồm 20 lỗi khác Những lỗi có nhiều tính chất khác nhau: chẳng hạn thiếu thiết bị truyền động hay van bị chặn Bên cạnh đó, quy trình bao gồm 53 tham số (cảm biến, thông số thiết lập, tuỳ chỉnh van ) Mô tả 20 lỗi 53 tham số đưa công việc [7] Tuy nhiên, tác giả thực phần ứng dụng để mơ hình hố khả áp dụng mơ hình chuẩn đốn với số biến định, mô tả bảng Bảng Các biến sử dụng mơ hình chuẩn đốn Nút F4 XMES9 XMES16 XMES21 XC3 XC1 XC2 Mơ tả Lỗi báo nhiệt độ bình ngưng tụ làm mát lị phản ứng Thơng số nhiệt độ lị phản ứng Thơng số áp lực cuả tháo dỡ Nhiệt độ chất làm mát đầu lị phản ứng Lưu lượng nạp khí A (Luồng 1) Lưu lượng nạp khí D (Luồng 2) Lưu lượng nạp khí E (Luồng 3) 4.2 Kết mô Đơn vị °C Kết mô tác giả thể hai nội dung: a) Mối quan hệ để thiết lập nên mạng Bayesian điểm nút bảng thực tế đề xuất chuyên gia công ty Eastman Tác giả đề xuất tham khảo thêm mối quan hệ biến lỗi thông số cảm biến [7] Hơn nữa, quy trình đề xuất hình 2- mục báo, mối quan hệ biến bảng xác nhận trình học liệu, mà tương ứng độ xác mối quan hệ đánh giá điểm số học từ liệu (score by learning) thực dựa thuật toán kiểm tra mối tương quan [11] Công việc mô báo thực môi trường Matlab, thư viện BNT [12] Hình thể mơ hình Bayesian mối quan hệ nguyên nhân- hệ biến ví dụ (các đường mũi tên bình thường thể mối quan hệ xác nhận, đường nét đứt mờ thể mối quan hệ không xác nhận điểm số thấp) °C Kpa °C Kg/hr Kg/hr Kg/hr Hình Mơ hình chuẩn đốn mạng Bayesian b) Sau mơ hình Bayesian xác lập, bước cịn lại cịn vấn đề tính tốn Bảng xác suất biến mạng Bayesian xác lập sau trình học liệu sở lịch sử liệu sản xuất mô phỏng, cung cấp [11] Xác xuất có điều kiện P(XMES21 | F4) thể xác suất việc nhiệt độ cao chất làm mát đầu vào lò phản ứng gây nên lỗi báo nhiệt bình ngưng tụ làm mát lị phản ứng chu trình Tennessee Eastman Tương ứng với liệu lịch sử học tập giả định tác giả tạo nên liệu học tập Hình thể rõ xác suất thay đổi phát lỗi F4 hệ thống Kết cho thấy tương đồng mặt chuẩn đốn có từ mơ hình liệu giả định tác giả mơ hình Do đó, việc xác nhận lại mối quan hệ nguyên nhân – hệ phương pháp tính điểm score mối quan hệ công việc tác giả cần thiết Kết việc chuẩn đoán phụ thuộc lớn vào chất lượng liệu sử dụng để học tập Vì thế, kết chuẩn đốn dựa xác suất để hỗ trợ cho định can thiệp người KẾT LUẬN Công việc báo đưa phương pháp xây dựng mơ hình chuẩn đốn lỗi dựa mạng Bayesian phân tích đặc tính phương pháp máy học hữu dụng Tác giả thực mơ ví dụ ngắn gọn hệ thống sản xuất mô thực, mơ hình Tennessee Eastman áp dụng rộng rãi học thuật quốc tế Kết từ mơ hình mô báo cho thấy hiệu mơ hình bước đầu hỗ trợ định bảo trì bảo dưỡng người vận hành chu trình sản xuất Hình So sánh thay đổi bảng xác suất điều kiện nút mạng phát lỗi hệ thống sản xuất Bên cạnh đó, kết báo thể sàng lọc lại mối quan hệ không chắn (được thể mũi tên nét đứt hình 4) so với số kết thực nghiệm phân loại lỗi chuẩn đoán nghiên cứu tương tự [3,7] Điều tạo nên tinh giảm hữu ích kích thước mơ hình mạng Bayesian Tuy nhiên, cần phải lưu ý việc phân loại biến lỗi thơng số định kết học tập kết chuẩn đoán Bên cạnh đó, mơ hình Bayesian báo xây dựng số hạn chế: (i) phụ thuộc vào chất lượng sở liệu dẫn đến kết sai lệch trường hợp liệu học tập không đầy đủ; (ii) chưa thể mối quan hệ nguyên nhân – hệ theo thời gian thực tế có rủi ro tác động gây lỗi theo thời gian khác Hạn chế khắc phục mạng Bayesian thời gian tác giả tiếp tục nghiên cứu thời gian tới LỜI CẢM ƠN Nghiên cứu tài trợ kinh phí Trường Đại học Sư phạm Kỹ Thuật – Đại học Đà Nẵng đề tài có mã số T2019-06-131 TÀI LIỆU THAM KHẢO [1] Kunio S., Mitsugu K., Yoshifumi K., An Advanced step in TPM Implementation (pages 64-65) Paris, France, 1995 [2] Jensen F.V, Introduction to Bayesian networks, UCL Press, London, 1996 [3] Tran et al., Identification and classification protocol for complex systems In: 2nd European Conference of the Prognostics and Health Management Society, PHME 2014 2014 p 58-65 [4] Philippe Leray Réseaux bayésiens « apprentissage et modélisation de systèmes complexes » 2006 [5] Sayad Mahmoud et Abbaris Amara Modèle discriminant pour la classification de documents XML l’aide des réseaux bayésiens et le noyau de Fisher Ecole nationale Supérieure d’Informatique (ESI) Mémoire de fin d’études 2010 [6] Feller, William An introduction to probability theory and its applications Vol John Wiley & Sons,, 1968 [7] Par Sylvain VERRON Diagnostic et surveillance des processus complexes par réseaux Bayésiens Thèse doctorale d’Angers 2007 [8] Dreyfus, Gérard Réseaux de neurones: méthodologie et applications Eyrolles, 2004 [9] Lau, C K., et al Fault diagnosis of Tennessee Eastman process with multi-scale PCA and ANFIS Chemometrics and Intelligent Laboratory Systems 120 (2013): 1-14 [10] Basha, Nour, et al Multiclass Data Classification using Fault-Detection-based Techniques Computers & Chemical Engineering (2020): 106786 [11] Wetzels, Ruud, and Eric-Jan Wagenmakers A default Bayesian hypothesis test for correlations and partial correlations Psychonomic bulletin & review 19.6 (2012): 1057-1064 [12] Murphy, K The BayesNet Toolbox for Matlab Computing Science and Statistics Proceedings of Infence, vol.33 Tác giả chịu trách nhiệm viết: Họ tên: Trần Ngọc Hoàng Học vị: Tiến Sĩ Chuyên ngành: Cơ điện tử Đơn vị: Khoa Cơ Khí, trường Đại học Sư Phạm Kỹ Thuật – Đại học Đà Nẵng, Đà Nẵng Điện thoại: +(84) 979728986 Email: tnhoang@ute.udn.vn ... THUẬT BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP TRƯỜNG THIẾT LẬP GIAO THỨC NHẬN DẠNG VÀ PHÂN LOẠI LỖI TRONG HỆ THỐNG PHỨC TẠP Mã số: T2019-06-131 Xác nhận quan chủ trì đề tài Chủ nhiệm đề... khoa học - Phân loại phân cấp: Mục đích tạo hệ thống phân cấp cách nhóm biến tương tự lớp từ cấp thấp [29] - Phân loại khơng phân cấp: Phân cấp khơng có loại phân loại Các thuật toán loại tạo lớp... pháp phân loại liệu Như ra, phương pháp phân loại đơn giản phân loại liệu, nghĩa quản lý tài liệu, xếp thông tin Trong phân loại, hai cách tiếp cận phân biệt theo quy ước: phân loại có giám sát phân