The concept of modeling the behavior of industrial processes is of great importance as it describes the possible states of equipment used in large industries, which once damaged, it usually costs both in time and money. In this paper, we propose a data-driven methodology for depicting three distinct states of a chemical reactor, (1) normal, (2) warning, (3) alert, by using machine learning techniques. A method for predicting the classification of data input, assists in prevention (early prognosis) of possible malfunctions. This method uses a combined linear trend analysis of the involved data which form the warning state of the reactor where the pre-incident conditions are fulfilled. Afterwards, it checks the possibility of the subsequent input to be classified in the alert state which is an indication that the reactor’s active equipment, such as heating resistance, will start malfunctioning. The objective of the three main steps of the proposed methodology are: first, to reveal the number of clusters based on past data, second to train normal, warning and alert behavior-models and validate them and third to test them as well as verify the accuracy of linear trend analysis. The proposed methodology is based on the analysis of real data sets​ derived from the automation system of a chemical process located at CERTH/CPERI in order to identify real-life models for prognostic behavior for malfunction prevention. This approach is especially suitable for modern industrial systems that follow Industry 4.0 principles. The results reveal a robust modeling of the reactor’s behavior with accuracy reaching 88,94%.

对工业过程行为进行建模的概念非常重要，因为它描述了大型工业中使用的设备的可能状态，一旦损坏，通常会花费时间和金钱。在本文中，我们提出了一种数据驱动的方法，该方法通过使用机器学习技术来描述化学反应器的三种不同状态：（1）正常，（2）警告，（3）警报。一种用于预测数据输入分类的方法，有助于预防（早期诊断）可能的故障。该方法对所涉及的数据进行了组合线性趋势分析，这些数据构成了满足事故前条件的反应堆预警状态。之后，它会检查将后续输入分类为警报状态的可能性，这表明反应堆的活动设备处于活动状态，如发热电阻，将开始发生故障。拟议方法的三个主要步骤的目标是：首先，根据过去的数据揭示聚类的数量；第二，训练正常，警告和警报行为模型并进行验证；第三，进行测试以及验证线性趋势分析的准确性。所提出的方法基于对来自位于CERTH / CPERI的化学过程自动化系统的真实数据集的分析，以识别用于预防故障的预后行为的真实模型。这种方法特别适合遵循工业4.0原理的现代工业系统。结果揭示了反应器行为的可靠模型，其准确度达到了88.94％。拟议方法的三个主要步骤的目标是：首先，根据过去的数据揭示聚类的数量；第二，训练正常，警告和警报行为模型并进行验证；第三，进行测试以及验证线性趋势分析的准确性。所提出的方法基于对来自位于CERTH / CPERI的化学过程自动化系统的真实数据集的分析，以识别用于预防故障的预后行为的真实模型。这种方法特别适合遵循工业4.0原理的现代工业系统。结果揭示了反应器行为的可靠模型，其准确度达到了88.94％。拟议方法的三个主要步骤的目标是：首先，根据过去的数据揭示聚类的数量；第二，训练正常，警告和警报行为模型并进行验证；第三，进行测试以及验证线性趋势分析的准确性。所提出的方法基于对来自位于CERTH / CPERI的化学过程自动化系统的真实数据集的分析，以识别用于预防故障的预后行为的真实模型。这种方法特别适合遵循工业4.0原理的现代工业系统。结果揭示了反应器行为的可靠模型，其准确度达到了88.94％。警告和警报行为模型，对其进行验证，然后对其进行测试并验证线性趋势分析的准确性。所提出的方法基于对来自位于CERTH / CPERI的化学过程自动化系统的真实数据集的分析，以识别用于预防故障的预后行为的真实模型。这种方法特别适合遵循工业4.0原理的现代工业系统。结果揭示了反应器行为的可靠模型，其准确度达到了88.94％。警告和警报行为模型，对其进行验证，然后对其进行测试并验证线性趋势分析的准确性。所提出的方法基于对来自位于CERTH / CPERI的化学过程自动化系统的真实数据集的分析，以识别用于预防故障的预后行为的真实模型。这种方法特别适合遵循工业4.0原理的现代工业系统。结果揭示了反应器行为的可靠模型，其准确度达到了88.94％。所提出的方法基于对来自位于CERTH / CPERI的化学过程自动化系统的真实数据集的分析，以识别用于预防故障的预后行为的真实模型。这种方法特别适合遵循工业4.0原理的现代工业系统。结果揭示了反应器行为的可靠模型，其准确度达到了88.94％。所提出的方法基于对来自位于CERTH / CPERI的化学过程自动化系统的真实数据集的分析，以识别用于预防故障的预后行为的真实模型。这种方法特别适合遵循工业4.0原理的现代工业系统。结果揭示了反应器行为的可靠模型，其准确度达到了88.94％。