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

• Autorzy: Li Longhao , Dai Yongshou

Identyfikatory

DOI

10.15199/62.2019.11.23

Warianty tytułu

EN

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

• Języki publikacji: PL

Abstrakty

PL

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.

EN

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.

Słowa kluczowe

PL

czujnik wizyjny; proces chemiczny; LSSVM; GPR; PCR

EN

vision sensor; chemical process; LSSVM; GPR; PCR

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przemysł Chemiczny
• Rocznik: 2019
• Tom: T. 98, nr 11
• Strony: 1811--1816
• Opis fizyczny: Bibliogr. 23 poz., rys.

Twórcy

autor

Li Longhao

• China University of Petroleum (East China), Qingdao, Shandong, China

autor

Dai Yongshou

• College of Information and Control Engineering, China University of Petroleum (East China), Qingdao, Shandong, China

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.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).