Czasopismo | PRZEMYSŁ CHEMICZNY | Rocznik 2019 - zeszyt 11

Metoda modelowania czujnika wizyjnego do zmiennych czasowo i wielocelowych procesów chemicznych opartego na ulepszonym podejściu wielomodelowym

Soft sensor modeling method for time-varying and multi-target chemical processes based on improved ensemble learning

10.15199/62.2019.11.23

nr katalogowy: 123317
10.15199/62.2019.11.23

Streszczenie

Aby poprawić działanie czujnika wizyjnego w procesach chemicznych, zaproponowano metodę jego modelowania opartą na ulepszonym podejściu wielomodelowym, w którym nie tylko wybrano zmienne modelowania o największym wpływie na zmienne dominujące na podstawie podobieństwa cosinusa, lecz także określono model czujnika wizyjnego. Przygotowane zmienne modelowania połączono za pomocą maszyny wektorów wspierających metodą najmniejszych kwadratów w celu oszacowania zmiennych elementów badanej próbki. Ponieważ mechanizm wyboru zmiennych modelowania wykorzystywał informację dynamiczną o procesach chemicznych, metoda ta okazała się bardziej od innych odpowiednia do szacowania danych. W celu weryfikacji modelu zastosowano rzeczywiste dane z urządzenia do odzysku siarki. Wyniki potwierdziły skuteczność zaproponowanej metody.

Abstract

To improve the soft sensor performance in chem. processes, a soft sensor modeling method based on improved ensemble learning that not only selected modeling variables with the highest influences on dominant variables by cosine similarity but also established the multi-target soft sensor model was proposed. The prepd. modeling variables were combined via the least squares support vector machine to predict the variable elements of the query sample. Because the variable selection mechanism of modeling used the dynamic information of chem. processes, this method was more suitable for data prediction than the other ones. Real data from a S recovery unit were used for model verification to evaluate the performance of the proposed soft sensor modeling method. The results confirmed its effectiveness.

Bibliografia

[1] Y. Wu, X. Luo, J. Process Control 2010, 20, 1252.
[2] V. Gopakumar, S. Tiwari, I. Rahman, Biochem. Eng. J. 2018, 136, 28.
[3] P. Dai, P. Zhou, Y.Z. Liang, et al., Control Theory &Appl. 2019, 36, 43.
[4] A. Panagiotis, R. Panayiotis, D. Maria, Sensors 2017, 17, 1344.
[5] X. Yuan, Z. Ge, Z. Song, Ind. Eng. Chem. Res. 2014, 53, 13736.
[6] H.L. Peng, S. Zhao, W.L. Xiong, Control Eng. China 2019, 26, 120.
[7] X.S. Zhao, Q.S. Gao, C.Z. Tang, et al., Oil Geophys. Prospect 2016, 51, 976.
[8] M.P. Perrone, How we learn. How we remember. Toward an understanding of brain and neural systems. Selected papers of Leon N. Cooper, 1993.
[9] C. Zhang, P. Lim, A. Qin, et al., IEEE. Trans. Neural Net. Learn. Syst. 2017, 28, 2306.
[10] A. Bagnall, J. Lines, J. Hills, et al., IEEE. Trans. Knowl. Data Eng. 2015, 27, 2522.
[11] Y. Yang, Z. Li, W. Wang, et al., Neurocomputing 2017, 257, 193.
[12] D. Subramanian,V. Subramanian, A. Deswal, et al., Circ. Heart Fail. 2011, 4, 456.
[13] Y. Li, L. Yang, P. Wang, et al., J. Med. Imaging Health Inform. 2017, 7, 1.
[14] P. Sornsuwit, S. Jaiyen, Int. Conf. Health Inform. Technol. Electr. Eng. 2016, 23, 354.
[15] Y.C. Li, R.X. Qiu, S.T. Jin, et al., Plos One 2018, 13, 2216.
[16] J.W. Xu, Y. Yang, J. Yunnan Univ. 2018, 4, 1082.
[17] N.L. Shang, X.L. Wang, K.X. Shen, et al., Comput. Appl. Software 2015, 32, 162.
[18] H. Kalhori, M.M. Alamdari, Y. Lin, Measurement 2018, 122, 648.
[19] X. Deng, X. Tian, S. Chen, et al., IEEE T. Neur. Net. Lear. 2018, 29, 560.
[20] J. Suykens, A.K. Johan, Int. J. Circ. Theor. Appl. 2002, 27, 605.
[21] C.X. Li, X.D. Ding, X.F. Zheng, J. Vib. Shock. 2017, 36, 52.
[22] J.A.K. Suykens, J.D. Brabanter, L. Lukas, Neurocomputing 2002, 4, 85.
[23] K. Roushangar, S.M. Saghebian, D. Mouaze, Int. J. Sediment Res. 2017, 32, 515.

Zeszyt


PRZEMYSŁ CHEMICZNY - e-zeszyt (pdf) 2019-11 licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEMYSŁ CHEMICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEMYSŁ CHEMICZNY - prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEMYSŁ CHEMICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEMYSŁ CHEMICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEMYSŁ CHEMICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEMYSŁ CHEMICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Open Access

Zeszyt

2019-11

Twój Koszyk

Zeszyt

Prenumerata

Open Access

Zeszyt

Czasopisma