Diagnostyka procesu neutralizacji pH przez monitorowanie parametrów modelu w postaci sieci neuronowej

• Autorzy: Pustułka M.

Warianty tytułu

EN

Process diagnosis based on neural network process model

• Języki publikacji: PL

Abstrakty

PL

W pracy zamodelowano dynamiczny proces neutralizacji pH w postaci sieci neuronowej, a także przeprowadzono diagnostykę, poprzez kontrolę parametrów sieci. Wartość pH oznacza kwasowość i zasadowość roztworów wodnych związków chemicznych. Do badań symulacyjnych został wykorzystany pakiet komputerowy Matlab. Poddano również analizie efektywność wykrywania zmian w procesie na podstawie wykrywania zmian w adaptacyjnym neuronowym modelu procesu. Diagnostyka procesu neutralizacji pH przeprowadzono z zastosowaniem kart kontrolnych Shewharta. W szczególności karty kontrolne umożliwiają wykrycie zmienności parametrów procesu.

EN

The aim of the work is modeling the dynamic process of pH neutralization in the form of neural network, and its diagnosis, through control of network parameters. Neural networks are one of the most rapidly growing areas of artificial intelligence. They have a good chance of success because of the ability to learn nonlinear relationships. They offer cost-effective approach to modeling of chemical processes. For the simulation tests were used Matlab. It should also be analyzed to detect changes in the efficiency of the process based on the detection of changes in adaptive neural model of the process. Diagnosis of pH neutralization process was carried out using Shewhart control charts, as well they are suitable for this type of per-specialties. In particular, control charts allow the detection of process variability caused by certain specific reasons.

Słowa kluczowe

PL

sieć neuronowa; diagnostyka procesów; karty kontrolne

EN

neural network; process diagnostics; control charts

• Wydawca: Oficyna Wydawnicza Politechniki Wrocławskiej
• Czasopismo: Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały
• Rocznik: 2010
• Tom: Vol. 64, nr 30
• Strony: 557--570
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Pustułka M.

• Politechnika Wrocławska, Instytut Energoelektryki, ul. Janiszewskiego 8, 50-372 Wrocław,

Bibliografia

• [1] BHAT N., MCAVOY T. J., Use of neural nets for dynamic modeling and control of chemical process systems, Computers & Chemical Engineering, Volume 14, Issues 4-5, May 1990, Pages 573-582.
• [2] DEMSKI T., Przykład tworzenia kart kontrolnych w STATISTICA, www.statsoft.pl/ czytelnia/jakosc/05karty.pdf.
• [3] DEMSKI T., Przykład wdrożenia kart kontrolnych krok po kroku, www.statsoft.pl/ czytelnia/artykuly/Przyklad_wdrozenia_kart.pdf.
• [4] DEMUTH H., BEALE M., HAGAN M., Neural Network Toolbox™ 6 User’s Guide.
• [5] http://www.mathworks.com/products/neuralnet/.
• [6] http://www.statsoft.pl/karty-kontrolne.html.
• [7] http://www.statsoft.pl/textbook/stathome.html.
• [8] KORONACKI J., Metody statystycznego sterowania jakością, http://www.statsoft.pl/ czytelnia/jakosc/metstat.html.
• [9] LJUNG L., System Identification - Theory For the User, 2nd ed, PTR Prentice Hall, Upper Saddle River, N.J., 1999.
• [10] NAHAS E. P., HENSON M. A., SEBORG D. E., Nonlinear internal model control strategy for neural network model, Computers & Chemical Engineering, Volume 16, Issue 12, December 1992, Pages 1039-1057.
• [11] SOLIŃSKI B., http://www.zarz.agh.edu.pl/bsolinsk/karty_kontrolne.html.
• [12] ZHAOA Z., XIAB X., WANGB J., GUB J., JINB Y., Nonlinear dynamic matrix control based on multiple operating models, Journal of Process Control 13 (2003) 41–56.