Titre | Decision fusion for reliable fault classification in energy-intensive process industries |
| |
Auteur | Regab, A; Ghezzaz, H; Amazouz, M |
Source | vol. 138, 103640, 2022., https://doi.org/10.1016/j.compind.2022.103640 |
Image |  |
Année | 2022 |
Séries alt. | Ressources naturelles Canada, Contribution externe 20220024 |
Éditeur | Elsevier |
Document | publication en série |
Lang. | anglais |
DOI | https://doi.org/10.1016/j.compind.2022.103640 |
Media | papier; numérique; en ligne |
Formats | pdf |
Sujets | ressources énergétiques; énergie; économie d'énergie; failles; l'apprentissage machine; Rendement énergétique |
Illustrations | organigrammes; tableaux |
Programme | Le Programme de recherche et de développement énergétiques (PRDE) |
Diffusé | 2022 03 17 |
Résumé | (disponible en anglais seulement) Heavy industries such as oil & gas, steel & iron production, the cement industry, chemical processes, and pulp & paper mills are among the industries that
contribute most to greenhouse gas emissions. The operation of processes in these industries requires massive amounts of energy, which is mainly generated through the consumption of natural resources, leading to the emission of harmful gases. These
emissions can be reduced by improving the efficiency of process operations and with better management of abnormal events/faults through accurate fault classification. Managers and operators of these industries need intelligent fault classification
strategies that provide accurate information and decisions on faulty situations management, thus helping day-to-day processes operate in safe, reliable and energy-efficient ways. This paper proposes a decision fusion approach that combines outputs
produced by diversified machine learning fault classifiers, each with distinct pattern representations. The proposed approach mainly adopts the behavior knowledge space (BKS) method and updates the corresponding lookup table based on the F1-scores
calculated for every single fault classifier based on historical data. The concept is based on the exploitation of the advantages of each fault classifier as a complementary information source to effectively classify faults and provide plant
operators and engineers with unified, accurate and comprehensive decisions. The proposed approach is validated through two case studies in the pulp and paper industry. The first one is the pulp mill process benchmark using simulated data and the
second case is on a reboiler in a Canadian thermomechanical pulp mill. The results obtained demonstrate that the accuracy of the proposed approach is higher than the accuracy of every single classifier and other comparable methods applied to such
complex industrial processes. The results have helped the mill operators correctly identify the causes of abnormal events and have contributed to significant energy savings and reduction in Greenhouse Gas (GHG) emissions. |
Sommaire | (Résumé en langage clair et simple, non publié) Cet article propose une méthode de décision basée sur la fusion des résultats obtenus par divers classificateurs intelligents de fautes, chacun
avec des représentations différentes des formes. L'objectif est de classer efficacement les fautes dans les procédés industriels et ainsi fournir aux opérateurs et ingénieurs d'usine une information unifiée, précise et complète pour une prise de
décision éclairée. Le concept principal est d'exploiter les avantages de chaque classificateur de fautes comme une source complémentaire d'information. La méthode proposée est validée dans deux études de cas dans l'industrie des pâtes et papiers. La
première étude utilise des données simulées d'un modèle de procédé référence d'une usine de pâte. La deuxième étude de cas considère un ensemble de données réelles d'un rebouilleur dans une usine canadienne de pâte thermomécanique. Les résultats
obtenus démontrent que la précision de la méthode proposée est supérieure à celle de chacun des classificateurs pris individuellement, ainsi qu'à d'autres méthodes de référence. Les résultats ont aidé les opérateurs de l'usine à identifier
correctement les causes des événements anormaux et ont contribué aux économies d'énergie ainsi qu'à la réduction des émissions de GES. |
GEOSCAN ID | 329973 |
|
|