دوره 17، شماره 1 - ( مجله کنترل، جلد 17، شماره 1، بهار 1402 )
جلد 17 شماره 1,1402 صفحات 91-77 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
hassanpour R, Khalilipour M M, Sadeghi J, Bidar B. SDP-Based Quality Monitoring with Application to the Tennessee Eastman Process (TEP). JoC 2023; 17 (1) :77-91
URL: http://joc.kntu.ac.ir/article-1-962-fa.html
URL: http://joc.kntu.ac.ir/article-1-962-fa.html
حسن پور رعنا، خلیلی پور میرمحمد، صادقی جعفر، بیدار بهاره. ارزیابی کیفیت محصول مبتنی بر روش پارامتر وابسته به متغیر حالت با کاربرد در فرآیند تنسی ایستمن (TEP). مجله کنترل. 1402; 17 (1) :77-91
رعنا حسن پور1 
، میرمحمد خلیلی پور* 1، جعفر صادقی1 ، بهاره بیدار1
، میرمحمد خلیلی پور* 1، جعفر صادقی1 ، بهاره بیدار1
1- گروه مهندسی شیمی، دانشکده مهندسی شهید نیک‌بخت، دانشگاه سیستان و بلوچستان
چکیده: (1125 مشاهده)
توسعه و پیاده‌سازی روش‌های پیشرفته نظارت و کنترل نیازمند اندازه‌گیری متغیرهایی است که تعیین آن‌ها به روش فیزیکی امکان‌پذیر نیست یا اینکه سنجش آن‌ها بسیار دشوار است. حسگرهای نرم می‌توانند با تخمین متغیرهای دشوار اندازه‌گیر بوسیله متغیرهای آسان اندازه‌گیر جایگزین مناسبی برای حسگرهای سخت‌افزاری باشند. در این مقاله حسگر نرم داده محور بر مبنای مدلسازی پارامتر وابسته به حالت با استفاده از تکنیک متغیر سودمند محلی (LIV) به منظور تخمین کیفیت در فرآیند تنسی ایستمن ارائه گردیده است. این تکنیک ساختاری ساده دارد و نسبت به سایر روش های مدلسازی به تعداد متغیرهای ورودی کمتری نیازمند است، قابلیت شناسایی متغیرهای تأثیرگذار بر روی متغیرهای هدف را نیز داراست. در این مطالعه، مدل‌های حسگر نرم مبتنی بر LIV به منظور پیش‌بینی غلظت اجزاء A و E توسط نرم افزار MATLAB توسعه یافتند. نتایج حاصل از ارزیابی مدل‌های ارائه شده بر روی مجموعه داده‌ی آزمون، خطای جذر میانگین مربع خطا (RMSE) را به ترتیب 0/3191 و 0/0174 برای جزء A و جزء E گزارش می‌دهد. مدل LIV پیشنهادی، خطای پیش‌بینی (RMSE) برای غلظت جزء E را نسبت به روش‌های کمینه مربعات جزئی (PLS) و کمینه مربعات جزئی درونی پویا (DiPLS) به ترتیب به میزان 98/18 % و 97/6 % کاهش داده است.
واژه‌های کلیدی: تخمین کیفیت، حسگر نرم داده محور، فرآیند تنسی ایستمن، مدلسازی پارامتر وابسته به متغیر حالت، روش متغیر سودمند محلی
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1401/9/12 | پذیرش: 1402/2/20 | انتشار الکترونیک پیش از انتشار نهایی: 1402/3/22 | انتشار: 1402/4/1
دریافت: 1401/9/12 | پذیرش: 1402/2/20 | انتشار الکترونیک پیش از انتشار نهایی: 1402/3/22 | انتشار: 1402/4/1
فهرست منابع
1. [1] Fortuna L., Graziani S., Rizzo A., Xibilia M.G., Soft sensors for monitoring and control of industrial processes, Springer, New York, pp. 2-5, 2007.
2. [2] Khatibisepehr S., Huang B., Domlan E., Soft sensor solutions for control of oil sands processes. The Canadian Journal of Chemical Engineering, Vol. 91. pp., 1416-1426, 2013. [DOI:10.1002/cjce.21833]
3. [3] Khatibisepehr S., Bayesian Solutions to Multi-Model Inferential Sensing Problem, University of Alberta, Doctor of Philosophy, 2013.
4. [4] Li H., Yu D., Braun J., A review of virtual sensing technology and application in building systems, HVAC&R Research, Vol. 17, no. 5, pp. 619-645, 2011.
5. [5] Kadlec P., Gabrys B., Strandt S., Data-driven soft sensors in the process industry, Computers and Chemical Engineering, Vol. 33, pp. 795-814, 2009. [DOI:10.1016/j.compchemeng.2008.12.012]
6. [6] Kaneko H., Arakawa M., Funatsu K., Development of a new soft sensor method using independent component analysis and partial least squares, AIChE Journal, Vol. 55, pp. 87-98, 2009. [DOI:10.1002/aic.11648]
7. [7] Sliskovic D., Grbic R., Hocenski Z., Methods for plant data-based process modeling in soft sensor development, Automatika, Vol. 52, pp. 306-318, 2011. [DOI:10.1080/00051144.2011.11828430]
8. [8] Jang J.-S.R., Sun C.-T., Mizutani E., Neuro-fuzzy and soft computing: A computational approach to learning and machine intelligence, Prentice-Hall Upper Saddle River, NJ, USA, 1997. [DOI:10.1109/TAC.1997.633847]
9. [9] Kaneko H., Funatsu K., Adaptive soft sensor based on online support vector regression and Bayesian ensemble learning for various states in chemical plants. Chemometrics and Intelligent Laboratory Systems, Vol. 137, pp. 57-66, 2014. [DOI:10.1016/j.chemolab.2014.06.008]
10. [10] Young P.C., Recursive estimation and time-series analysis, Second ed., Springer, New York, 2011. [DOI:10.1007/978-3-642-21981-8]
11. [11] Sadeghi J., Modelling and control of non-linear systems using State-Dependent Parameter (SDP) models and Proportional-Integral-Plus (PIP) control method, Lancaster University, Doctor of Philosophy, United Kingdom, 2006.
12. [12] Tavakoli Dastjerd F., Sadeghi J., Shahraki F., Khalilipour M.M., Bidar B., Soft sensor design using multi-state dependent parameter methodology based on generalized random walk method, IEEE Sensors Journal, Vol. 22, No.8, pp. 7888-7901, 2022. [DOI:10.1109/JSEN.2022.3147306]
13. ]13[ بیدار، ب.، طراحی حسگر نرم داده محور به منظور پیش‌بینی برخط کیفیت محصول در برج‌های تقطیر به روش پارامتر وابسته به متغیر حالت، دانشگاه سیستان و بلوچستان، پایان نامه دکتری، 1396.
14. [14] نعیمی ف.، طراحي حسگر نرم افزاری داده¬ محور به منظورپيش¬بيني برخط کيفيت نفت¬خام در واحد نمک‌زدايي/ آب¬زدايي به روش پارامتر وابسته به متغيرحالت، دانشگاه سیستان و بلوچستان، پایان نامه کارشناسی ارشد، 1397.
15. ]15[ هادی‌زاده، گ.، طراحی حسگر نرم داده‌محور به منظور پیش‌بینی کیفیت در فرآیند ناپیوسته صنعتی تولید رزین پلی‌استر، دانشگاه سیستان و بلوچستان، پایان نامه کارشناسی ارشد، 1399.
16. [16] Gharehbaghi H., Sadeghi J., A novel approach for prediction of industrial catalyst deactivation using soft sensor modeling, Catalysts, Vol. 6, pp. 93-109, 2016. [DOI:10.3390/catal6070093]
17. [17] Bidar B., Sadeghi J., Shahraki F., Khalilipour M.M., Data-driven soft sensor approach for online quality prediction using state dependent parameter models, Chemometrics and Intelligent Laboratory Systems, Vol. 162, pp. 130-141, 2017. [DOI:10.1016/j.chemolab.2017.01.004]
18. [18] Bidar B., Khalilipour M.M., Shahraki F., Sadeghi J., A data-driven soft-sensor for monitoring ASTM-D86 of CDU side products using local instrumental variable (LIV) technique, Journal of the Taiwan Institute of Chemical Engineers, Vol.84, pp. 49-59, 2018. [DOI:10.1016/j.jtice.2018.01.009]
19. [19] Bidar B., Shahraki F., Sadeghi J., Khalilipour M.M., Soft sensor modeling based on multi-state-dependent parameter models and application for quality monitoring in industrial sulfur recovery process, IEEE Sensors Journal, Vol.18, No.11, pp. 4583-4591, 2018. [DOI:10.1109/JSEN.2018.2818886]
20. [20] Roja Parvizi Moghadam, Jafar Sadeghi, Farhad Shahraki, Soft sensor model for monitoring and online control based on a dynamic model and local instrumental variable technique, International Journal of Modelling, Identification and Control, Vol.39, No.3, pp. 192-203, 2021. [DOI:10.1504/IJMIC.2021.123484]
21. [21] Downs J.J., Vogel E.F., A plant-wide industrial process control problem, Computers and Chemical Engineering, Vol. 17, pp. 245-255, 1993. [DOI:10.1016/0098-1354(93)80018-I]
22. [22] Ge Z., Song Z., A comparative study of just-in-time-learning based methods for online soft sensor modeling, Chemometrics and Intelligent Laboratory Systems, Vol. 104, pp. 306-317, 2010. [DOI:10.1016/j.chemolab.2010.09.008]
23. [23] Grbic R., Sliskovic D., Kadlec P., Adaptive soft sensor for online prediction and process monitoring based on a mixture of Gaussian process models, Computers and Chemical Engineering, Vol. 58, pp. 84-97, 2013. [DOI:10.1016/j.compchemeng.2013.06.014]
24. [24] Yuan X., Ge Z., Song Z., Soft sensor model development in multiphase/multimode processes based on Gaussian mixture regression, Chemometrics and Intelligent Laboratory Systems, Vol. 138, pp. 97-109, 2014. [DOI:10.1016/j.chemolab.2014.07.013]
25. [25] He Y., Geng Z., Zhu Q., Data driven soft sensor development for complex chemical processes using extreme learning machine, Chemical Engineering Research and Design Vol.102, pp. 1-11, 2015. [DOI:10.1016/j.cherd.2015.06.009]
26. [26] Dong Y., Qin S., Regression on dynamic PLS structures for supervised learning of dynamic data, Journal of Process Control, Vol. 68, pp. 64-74, 2018. [DOI:10.1016/j.jprocont.2018.04.006]
27. [27] Qin Y., Zhao C., Huang B., A new soft-sensor algorithm with concurrent consideration of slowness and quality interpretation for dynamic chemical process, Chemical Engineering Science, Vol. 199, pp. 28-39, 2019. [DOI:10.1016/j.ces.2019.01.011]
28. [28] Guo F., Wei B., Huang B., A just-in-time modeling approach for multimode soft sensor based on Gaussian mixture variational autoencoder, Computers and Chemical Engineering, Vol. 146, pp.107230, 2021. [DOI:10.1016/j.compchemeng.2021.107230]
29. [29] Zhang T., Zhang Sh., He F., Quality prediction and sensitivity analysis of fine chemical products based on support matrix machine, Chemometrics and Intelligent Laboratory Systems, Vol. 231, pp.104716, 2022. [DOI:10.1016/j.chemolab.2022.104716]
30. [30] Li Zh., Jin H., Dong Sh., Qian B., Yang B., Chen X., Semi-supervised ensemble support vector regression based soft sensor for key quality variable estimation of nonlinear industrial processes with limited labeled data, Chemical Engineering Research and Design, Vol. 179, pp.510-526, 2022. [DOI:10.1016/j.cherd.2022.01.026]
31. [31] Yu F., Xiong Q., Cao L., Yang F., Stable soft sensor modeling based on causality analysis, Control Engineering Practice, Vol. 122, pp.105109, 2022. [DOI:10.1016/j.conengprac.2022.105109]
32. [32] Wang Y., Jin H., Chen X., Wang B., Yang B., Qian B., Online-Dynamic-Clustering-Based Soft Sensor for Industrial Semi-Supervised Data Streams, Sensors, Vol.23, No.3, PP. 1520, 2023. [DOI:10.3390/s23031520]
33. [33] Shen b., Yao L., Yang Z., Ge Z., Mode Information Separated β-VAE Regression for Multimode Industrial Process Soft Sensing, IEEE Sensors Journal, Vol. 23, No. 9, pp. 10231-10240, 2023. [DOI:10.1109/JSEN.2023.3261330]
34. [34] Kusolsongtawee T., Kheawhom S., Olaru S., Bumroongsri P., Development of a Data-Driven Soft Sensor for Multivariate Chemical Processes Using Concordance Correlation Coefficient Subsets Integrated with Parallel Inverse-Free Extreme Learning Machine, Engineering Journal, Vol.27, No.6, 2023. [DOI:10.4186/ej.2023.27.6.25]
35. [35] Yin S., Gao X., Karimi H., Zhu X., Study on Support Vector Machine-Based Fault Detection in Tennessee Eastman Process, Abstract and Applied Analysis, Hindawi, 2014. [DOI:10.1155/2014/836895]
36. [36] Russell E.L., Chiang L.H., Braatz, R.D., Fault detection in industrial processes using canonical variate analysis and dynamic principal component analysis. , Chemometrics and intelligent laboratory systems, Vol. 51, pp. 81-93, 2000. [DOI:10.1016/S0169-7439(00)00058-7]
37. [37] Andersen C.M., Bro R., Variable selection in regression-a tutorial, Journal of Chemometrics, Vol. 24, pp. 728-737, 2010. [DOI:10.1002/cem.1360]
38. [38] Reunanen J., Overfitting in making comparisons between variable selection methods, The Journal of Machine Learning Research, Vol. 3, pp. 1371-1382, 2003.
39. [39] Findley D. F., Counterexamples to parsimony and BIC, Annals of the Institute of Statistical Mathematics, Vol. 43, pp. 505-514, 1991. [DOI:10.1007/BF00053369]
40. [40] Giraud C., Introduction to High-Dimensional Statistics: Taylor & Francis, 2014. [DOI:10.1201/b17895]
41. [41] Aho, K., Derryberry D., Peterson T., Model selection for ecologists: the worldviews of AIC and BIC, Ecology, Vol. 95, pp. 613-636, 2014. [DOI:10.1890/13-1452.1]
42. [42] Akaike H., Information theory and an extension of the maximum likelihood principle, in Selected Papers of Hirotugu Akaike, Springer, pp. 199-213, 1998. [DOI:10.1007/978-1-4612-1694-0_15]
43. [43] Sá M., Joaquim P., Applied statistics using SPSS, STATISTICA, MATLAB and R, Second ed., Springer-Verlag, Berlin, Heidelberg, 2007.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
