دانلود رایگان ترجمه مقاله درباره استفاده از سیستم های چندعاملی برای نظارت بر سیستم های صنعتی (نشریه اسرینگر ۲۰۱۶) (ترجمه ارزان – نقره ای ⭐️⭐️)

springer4

 

 

این مقاله انگلیسی ISI در نشریه اسپرینگر در ۸ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۱۳ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

درباره استفاده از سیستم های چندعاملی برای نظارت بر سیستم های صنعتی

عنوان انگلیسی مقاله:

On the use of multi-agent systems for the monitoring of industrial systems

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۶
تعداد صفحات مقاله انگلیسی ۸ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی صنایع، کامپیوتر
گرایش های مرتبط با این مقاله برنامه ریزی و تحلیل سیستم ها، بهینه سازی سیستم ها، معماری سیستم های کامپیوتری
چاپ شده در مجله (ژورنال) مجله بین المللی مهندسی صنایع – Journal of Industrial Engineering International
کلمات کلیدی فرایند چندمتغیری، نمودار کنترل هتلینگ T2، سیستم چندعاملی، شبکه بیزی، شبکه عصبی
ارائه شده از دانشگاه گروه مهندسی صنایع، دانشگاه باتنا، الجزایر
رفرنس دارد  
کد محصول F1516
نشریه اشپرینگر – Springer

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۳ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است  
ترجمه متون داخل جداول ترجمه شده است  
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است 
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده
مقدمه
سیستم چندعاملی پیشنهادی
عامل رابط
تشخیص عامل شبکه عصب مصنوعی
شناسایی عامل شبکه بیزی
عامل پیکربندی مجدد
کاربرد مدل پیشنهادی در فرایند Tennessee Eastman
شبیه سازی و تحلیل نتایج
– آشکارسازی
– تشخیص
– تشخیص خطاهای شناخته شده در مسئله Tennessee Eastman
– تشخیص IDV (4), IDV(9), IDV(11) در TEP
– پیکربندی مجدد
نتیجه گیری

 

 

بخشی از ترجمه
 چکیده
هدف مقاله حاضر، ارائه سیستم هوشمند برای نظارت بر فرایند پیچیده، مبتنی بر تکنولوژی هوش مصنوعی است. هدف این سیستم، تحقق موفق وظایف نظارت بر فرایند پیچیده ای است که عبارتند از: آشکارسازی، تشخیص، شناسایی و پیکر بندی مجدد. بدین منظور، توسعه سیستم چندعاملی که چندین هوش را ترکیب کند همچون: نمودارهای کنترل چند متغیره، شبکه های عصبی، شبکه های بیزی و سیستم های خبره، یک ضرورت بوده است. سیستم پیشنهادی از نظر نظارت بر فرایند پیچیده Tennessee Eastman ارزیابی می شود. 
 
۱- مقدمه
فرایند نظارت، وظیفه مهم تمام کارخانجات صنعتی است. این فرایند را می توان با استفاده از سهروش اصلی تحقق بخشید: ۱٫ روشهای تحلیلی مبتنی بر مدلهای ریاضی. اینروشها به مقایسه خروجی سیستم های واقعی با خروجی مدلهای ریاضی می پردازد. ۲٫ روشهای مبتنی بر دانش که از دانش انسانی [تحلیل خطر، اثرات حالات شکست و تحلیل بحرانی، درخت تصمیم گیری] استفاده می کنند ۳٫ روشهای مبتنی بر داده ها که بر توسعه آماری فرایند تاکید دارند. نوع اخیر این روش، از نمودار کنترل، SUM جمعی (CUSUM) یا میانگین تحرک وزنی نمایی EWMA برای آشکارسازی خطا در فرایند صنعتی استفاده می کند.
اخیرا، فرایند تولید پیچیده تر شده و چند متغیری است. در این سیستم ها، اپراتور، مقادیر وسیعی از داده ها را بازیابی می کند تا تحلیل شوند. حجم بالای داده ها و تعداد زیاد متغیرهای فرایند، وظیفه اپراتور را سخت گیر می سازد. برای اجتناب از چنین مشکلاتی، روشهای مبتنی بر داده برای نظارت بر فرایند، مناسب تر هستند. نمودارهای کنترل چندمتغیری [نمودار کنترل هتلینگ T2، CUSUM چندمتغیری (MCUSUM)، EWMA چند متغیری (MEWMA)] برای کنترل فرایند چندمتغیری استفاده شده و مناسب بودن خود برای کاهش پیچیدگی چنین نظارت بر فرایندی را ثابت کرده اند. بعلاوه، نظارت بر فرایند چندمتغیری، وظیفه پیچیده ای است و آن را می توان به چهار زیروظیفه تعبیه کرد: آشکارسازی موقعیت غیرعادی، تشخیص خطاها، شناسایی متغیرهایی دخیل در خطاها و در نهایت، پیکربندی مجدد فرایند.
بسیاری از محققین از نمودارهای کنترل برای نظارت بر فرایند استفاده کرده اند. برای شناسایی متغیرهایی که در T2 خارج از کنترل می باشند، تجزیه آماره T2 به عبارات مستقل، توسط Jing و همکارانش (۲۰۰۸) پیشنهاد شد. رویکرد MYT توسط Mani, Cooper (1999) برای شناسایی متیغرها اعمال شد. رویکرد MYT دارای عیب بزرگی است که تعداد تجزیه های T2 می باشد. برای فرایندی با P متغیر تعداد تجزیه ها p! است. برای کاهش این تعداد و شناسایی رابطه میان متغیرها، شبکه های بیزی برای شناسایی متغیرها و توسط Friedman (2000), Li et al. (2006), Li and Shi (2007), Sylvain (2007) اعمال شده اند.
در این مقاله، تمام وظایف نظارت بر فرایند چندمتغیری را در یک روش مجددا گروه بندی می کنیم. مشارکت ما، تعیین بهترین ترکیب از نمودارهای کنترل چندمتغیری، شبکه های عصبی، شبکه های بیزی و سیستم های تخصصی است. نتیجه این تحقیق، سیستم چندعاملی است که به نظارت بر فرایند چندمتغیری اعمال شده است. این سیستم چندعاملی از موارد زیر استفاده می کند: نمودار کنترل چندمتغیری برای آشکارسازی غیرعادی، شبکه عصبی برای تشخیص خطاها، شبکه های بیزی برای شناسایی متغیرها و سیستم تخصصی برای وظیفه پیکربندی مجدد.
ادامه این مقاله به شکل زیر است: رویکرد نظارت بر فرایند در بخش سیستم چندعاملی پیشنهاد، با الگوریتم نظارت ارائه شده است. در بخش کاربرد مدل پیشنهادی بر فرایند Tennessee Eastman، TEP برای توصیف اعتبار رویکرد پیشنهادی، از جمله آشکارسازی توسط عامل اجرایی نمودارهای کنترل چندمتغیری MCCEA، تشخیص توسط عامل شبکه عصب مصنوعی DANNA، شناسایی توسط عامل شبکه بیزی IBNA و پیکربندی مجددی توسط عامل پیکربندی مجدد RA استفاده شده است. در نهایت، نتیجه گیری و آثار آینده ارائه شده اند.

 

بخشی از مقاله انگلیسی

Abstract

The objective of the current paper is to present an intelligent system for complex process monitoring, based on artificial intelligence technologies. This system aims to realize with success all the complex process monitoring tasks that are: detection, diagnosis, identification and reconfiguration. For this purpose, the development of a multi-agent system that combines multiple intelligences such as: multivariate control charts, neural networks, Bayesian networks and expert systems has became a necessity. The proposed system is evaluated in the monitoring of the complex process Tennessee Eastman process.

۱ Introduction

The process monitoring is a critical task in all industrial plant. It can be realized by the use of three principal approaches (Venkatasubramanian et al. 2003): (1) the analytical methods based on mathematics models. These methods compare the real-system outputs to the mathematical model outputs, (2) the methods based on knowledge (Stamatis 2003; Dhillon 2005) that use the human knowledge [risk analysis, failures modes effects and critically analysis (FMECA), decision trees], and (3) the databased methods that focus on statistic development of the process. The last kind of the method uses, generally, the control charts [(Page 1954), cumulative SUM (CUSUM) (Roberts 1959)] or exponentially weighted moving average (EWMA) (Alt et al. 1985) for the fault detection in the industrial process.

Currently, the manufacturing processes become more and more complex and multivariate. In these systems, the operator recuperates a vast data amount to be analysed. The high volume of data and the big number of process variables make the operator task fastidious. To avoid such problems, the data-based methods are more suitable for the process monitoring. The multivariate control charts [Hotelling T2 control chart, multivariate CUSUM (MCUSUM), multivariate EWMA (MEWMA)] have been used for the control of multivariate process and have proved their adequacy to reduce the complexity of such process monitoring. Moreover, the monitoring of a multivariate process is a complex task, and it can be devised into four subtasks which are: the detection of abnormal situation, the diagnosis of the faults, the identification of variables that involved in the faults and finally the reconfiguration of the process (Venkatasubramanian et al. 2003).

Many researches have used the control charts for process monitoring (Yu-Chang et al. 2015; Xia 2015; Ehsan and Sadigh 2014; Vijayababu and Rukmini 2014; Assareh et al. 2013). To identify the variables that make an out-ofcontrol in T2, a decomposition of the statistic T2 into independent terms has been suggested by Jing et al. (2008). The ‘‘MYT approach’’ has been applied by Mani and Cooper (1999) for the variables identification. The ‘‘MYT approach’’ has a big disadvantage which is the number of T2 decompositions. For a process with p variables, the number of decompositions is p!. To reduce this number and to identify the relationship among the variables, the Bayesian networks have been applied for variables identification by Friedman (2000), Li et al. (2006), Li and Shi (2007), Sylvain (2007).

In this paper, we regroup all the tasks of the multivariate process monitoring in one approach. Our contribution is to determine the best combination of multivariate control charts, neural networks, Bayesian networks, expert systems. The result of this research is a multi-agent system that applied to a multivariate process monitoring. This multi-agent system uses: multivariate control chart for abnormal detection, neural network for faults diagnosis, Bayesian network for variables identification and expert system for reconfiguration task.

The rest of this paper is organized as follows: the process monitoring approach is presented in ‘‘The proposed multi-agent system’’ section with the monitoring algorithm. In ‘‘Application of the proposed model on the Tennessee Eastman process’’ section, a case study of simulated Tennessee Eastman process (TEP) (Downs and Vogel 1993) is employed to illustrate the validity of the proposed approach, including the detection by multivariate control charts executor agent (MCCEA), diagnosis by diagnosis artificial neural network agent (DANNA), identification by Identification Bayesian network agent (IBNA) and the reconfiguration by reconfiguration agent (RA). Finally, conclusions and future works are suggested.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

درباره استفاده از سیستم های چندعاملی برای نظارت بر سیستم های صنعتی

عنوان انگلیسی مقاله:

On the use of multi-agent systems for the monitoring of industrial systems

 
 
 
 
 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *