Soft sensor design in chemical processes using statistical learning methods
İstatistiksel öğrenme yöntemleri kullanarak kimyasal süreçlerde hesapsal sensör tasarımı
- Tez No: 526936
- Danışmanlar: DOÇ. DR. BURAK ALAKENT
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 256
Özet
Günümüzde artan rekabet, imalat kısıtlamaları ve güvenlik tedbirleri nedeniyle, süreç kontrol, izleme ve arıza tespit stratejileri kimyasal tesislerde daha titizlikle uygulanmaktadır. Bu sebeple, kimyasal süreçlerde çok sayıda süreç değişkeni çevrimiçi olarak ölçülmekte, diğer taraftan ürünün kalitesinde daha önemli rol oynayan kalite değişkenleri aynı sıklıkta ölçülememektedir. Son yıllarda popülerlik kazanan veri-bazlı hesapsal (soft) sensörler geleneksel olarak ARX modelleme, PLS ve PCR gibi evrensel istatistiksel öğrenme yöntemlerini kullanarak, kalite değişkenlerinin tahmin edilmesini sağlamaktadır. Bu tezde, doğrusal ilişkili ve gereğinden fazla sayıda süreç değişkenin izlendiği, ve kavram değişimi gibi sık rastlanılan problemlerin etkisi altında olan kimyasal süreçler için hassas tahmin becerisine sahip veri-bazlı hesapsal sensörler tasarlanmıştır. Tasarlanan sensörler, kararlı durum ve dinamik benzetimlerden elde edilen iki veri seti ve endüstriyel bir dinamik veri seti üzerinde test edilmiştir. Değişken seçimi ve topluluk öğrenimi, doğrusal ilişkinin üstesinden gelmek, ve tahmin modellerini kararlı hale getirmek için önerilmiştir. RVM bazlı hareketli pencere (MW) modellerinde, modellenen pencere boyutunun o anki kavrama adapte edilmesi, ve topluluk öğrenimi yaklaşımı çerçevesinde, MW ve JITL modellerinin birleştirilmesi, tahminleri iyileştirmek için önerilmiştir. Geliştirilen algoritmalar arasında en doğru tahminler, topluluk öğreniminde elde edilmiş, ayrıca bu algoritmaların, literatürden ilgili geleneksel yöntemlerden daha iyi performans gösterdikleri, ve hesap süresinin çevrimiçi zaman kısıtlamalarına uyduğu görülmüştür.
Özet (Çeviri)
Today, production facilities employ rigorous approach to process control, monitoring and fault detection strategies, due to increased competition in the industry, and more severe manufacturing restrictions and safety concerns. A large number of process variables are measured online during operation, while quality variables, which may not be available online at the same rate as process variables need to be predicted using soft sensors. The traditional approach to data driven soft sensor design is based on statistical learning methods, such as, global ARX modeling, PLS and PCR. In this thesis, it is aimed to address the issues of multicollinearity and redundancy in process data, and concept drift in data driven soft sensor design. Experiments are performed on two synthetic datasets obtained from steady state and dynamic simulations, and one dataset comprised of dynamic industrial data. Incorporating feature selection and ensemble modeling into PLS and ANN models is shown to handle multicollinearity and redundancy in process data, and stabilize learners. RVM, an embedded feature selection method, yields superior prediction performance than PLS, under both virtual and real concept drift. RVM is also observed to handle redundancy in predictor space more effectively. Several RVM-based adaptive learning algorithms are developed to cope with concept drift. Adaptive window sizing in moving window models is shown to improve predictions, and the best overall performance is achieved in window size adjustment via explicit concept drift detection. Combining MW and JITL models in ensemble learning is suggested to further increase prediction accuracy, and it is observed to yield the best predictive performance among all algorithms. The suggested adaptive learners are shown to outperform conventional methods from the literature on both synthetic and real data, while complying with time limits of online prediction.
Benzer Tezler
- Machine learning based soft sensor design for optimization in realtime petrochemical processes
Gerçek zamanlı petrokimya proseslerinde optimizasyon için makine öğrenimi tabanlı soft-sensör tasarımı
ELSHAN MEHDIYEV
Yüksek Lisans
İngilizce
2024
Kimya MühendisliğiEge ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEVİM YOLCULAR KARAOĞLU
DOÇ. DR. BURAK ALAKENT
- Çimento öğütme prosesinin modellenmesi gözlemleyici ve üst denetleyici tasarımı
Modeling, observer and supervisory controller design for cement mill process
SALİH GÜLŞEN
Doktora
Türkçe
2016
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞENİZ ERTUĞRUL
- Textile-based soft robotics for active assistance and rehabilitation
Aktif destek ve rehabilitasyon için tekstil tabanlı yumuşak robotikler
AYŞE FEYZA YILMAZ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR ATALAY
PROF. DR. FATMA KALAOĞLU
- Ekşi hamur ekmeklerinin proses kontaminant içeriklerini azaltmak için yeni bir pişirme tekniğinin araştırılması ve farklı pişirme teknikleriyle üretilmiş olan ekşi hamur ekmeklerinin karşılaştırılması
Research of a new baking technique for reducing the amount of process contaminants of sourdough breads and comparing the sourdough breads produced by different baking techniques
CİHADİYE CANDAL USLU
Doktora
Türkçe
2022
Gıda MühendisliğiAkdeniz ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERBAŞ
- Polipirolün tiyenil uç gruplu poli (dimetilsiloksan) ile FeCl3 varlığında kopolimerizasyonu
Copolymerization of pyrrole and thienyl end capped poly(dimethylsiloxane) by iron (III) chloride
DUYGU BADEMCİ