Сравнительный анализ методов построения виртуальных анализаторов качества продуктов колонны фракционирования в условиях пропусков данных в обучающей выборке

  • Авторы: Плотников А.А1, Штакин Д.В2,1, Снегирев О.Ю2, Торгашов А.Ю2,1
  • Учреждения:
    1. Дальневосточный федеральный университет
    2. Институт автоматики и процессов управления Дальневосточного отделения Российской академии наук
  • Выпуск: № 2 (2024)
  • Страницы: 78–95
  • Раздел: Статьи
  • URL: https://ered.pstu.ru/index.php/amcs/article/view/4483
  • DOI: https://doi.org/10.15593/2499-9873/2024.2.06
  • Цитировать

Аннотация


Рассматривается сравнительный анализ методов построения виртуальных анализаторов с использованием робастной регрессии, гребневой регрессии, метода ортогональных проекций на скрытые структуры на основе ядра (англ. K-OPLS), метода чередующихся условных математических ожиданий (англ. ACE) и нейросетей прямого распространения. Данные модели в составе виртуальных анализаторов предназначены для оценки значений точек фракционного состава керосиновой фракции – продукта колонны фракционирования – в режиме реального времени.В ходе построения моделей рассмотрен вопрос усреднения значений входных переменных за определенный промежуток времени для привязки к значениям выходных переменных. В отличие от существующих работ, в данном исследовании обучение и тестирование моделей осуществляется на ограниченных по значениям выходной переменной сегментах данных, т.е. в условиях пропусков данных в обучающей выборки. Показано влияние ширины интервала усреднения значений входной переменной на точность оценки получаемых моделей. Также показано, что наименьшее значение средней абсолютной ошибки при оценке точек фракционного состава обеспечивают модели на основе нейронных сетей и K-OPLS при различных вариантах обучения и тестирования.

Полный текст

6

Об авторах

А. А Плотников

Дальневосточный федеральный университет

Д. В Штакин

Институт автоматики и процессов управления Дальневосточного отделения Российской академии наук; Дальневосточный федеральный университет

О. Ю Снегирев

Институт автоматики и процессов управления Дальневосточного отделения Российской академии наук

А. Ю Торгашов

Институт автоматики и процессов управления Дальневосточного отделения Российской академии наук; Дальневосточный федеральный университет

Список литературы

  1. Kadlec, P. Data-driven soft sensors in the process industry / P. Kadlec, B. Gabrys, S. Strandt // Computers and Chemical Engineering. 2009. – Vol. 33, iss. 4. – P. 795–814. doi: 10.1016/j.compchemeng.2008.12.012
  2. Iplik, E. Hydrocracking: a perspective towards digitalization / E. Iplik, I. Aslanidou, K. Kyprianidis // Sustainability (Switzerland). 2020. – Vol. 12, iss. 17. – 26 p. DOI: 10.3390/ su12177058
  3. The role of artificial intelligence-driven soft sensors in advanced sustainable process industries: A critical review / Y.S. Perera, D.A.A.C. Ratnaweera, C.H. Dasanayaka, C. Abeykoon // Engineering Applications of Artificial Intelligence. 2023. – Vol. 121, iss. 105988. – 24 p. doi: 10.1016/j.engappai.2023.105988
  4. King, M. Process control. A practical approach / M. King // Wiley. – 2016. – 2 Ed. – 623 p.
  5. Data-driven prediction of product yields and control framework of hydrocracking unit / Z. Pang, P. Huang, C. Lian, C. Peng, X. Fang, H. Liu // Chemical Engineering Science. 2024. – Vol. 283, iss. 119386 – 10 p. doi: 10.1016/j.ces.2023.119386
  6. A layer-wise data augmentation strategy for deep learning networks and its soft sensor application in an industrial hydrocracking Process / X. Yuan, C. Ou, Y. Wang, C. Yang, W. Gui // IEEE Trans Neural Netw Learn Syst. 2021. – Vol. 32, iss. 8. – P. 3296–3305. DOI: 10.1109/ TNNLS.2019.2951708
  7. Rani, A. Development of soft sensor for neural network based control of distillation column / A. Rani, V. Singh, J.R.P. Gupta // ISA Transactions. 2013. – Vol. 52, iss. 3. – P. 438–449. doi: 10.1016/j.isatra.2012.12.009
  8. Wang, Y. A two-layer ensemble learning framework for data-driven soft sensor of the diesel attributes in an industrial hydrocracking process / Y. Wang, D. Wu, X. Yuan // Journal of Chemometrics. 2019. – Vol. 33, iss. 12. – 14 p. doi: 10.1002/cem.3185
  9. Popoola, L.T. A Review of an expert system design for crude oil distillation column using the neural networks model and process optimization and control using genetic algorithm framework / L.T. Popoola, G. Babagana, A.A. Susu // Advances in Chemical Engineering and Science. 2013. – Vol. 3, iss. 2. – P. 164–170. doi: 10.4236/aces.2013.32020
  10. Soft-sensor design for a crude distillation unit using statistical learning methods / A. Urhan, N.G. Ince, R. Bondy, B. Alakent // Computer Aided Chemical Engineering. 2018. – Vol. 44. – P. 2269–2274. doi: 10.1016/B978-0-444-64241-7.50373-6
  11. Kano, M. The state of the art in advanced chemical process control in Japan / M. Kano, M. Ogawa // IFAC Proceedings Volumes. 2009. – Vol. 7, iss. 1. – P. 10–25. DOI: 10.3182/ 20090712-4-TR-2008.00005
  12. Hinich, M.J. A simple method for robust regression / M.J. Hinich, P.P. Talwar // Journal of the American Statistical Association. 1975. – Vol. 70, iss. 349. – P. 113–119. DOI: 10.1080/ 01621459.1975.10480271
  13. Дрейпер, Н. Прикладной регрессионный анализ / Н. Дрейпер, Г. Смит. – М.: Финансы и статистика, 1986. – Кн. 2. – 351 с.
  14. Alheety, M.I. Choosing ridge parameters in the linear regression model with AR(1): A comparative simulation study / M.I. Alheety, B.M.G. Kibria // International Journal of Statistics and Economics. – 2011. – Vol. 7, iss. 11. – 18 p.
  15. Khalaf, G. Choosing ridge parameter for regression problems / G. Khalaf, G. Shukur // Communications in statistics – Theory and Methods. 2005. – Vol. 34, iss. 5. – P. 1177–1182. doi: 10.1081/STA-200056836
  16. K-OPLS package: kernel-based orthogonal projections to latent structures for prediction and interpretation in feature space / M. Bylesjo, M. Rantalainen, J. K. Nicholson, E. Holmes, J. Trygg // BMC Bioinformatics. 2008. – Vol. 9, iss. 106. – 7 p. doi: 10.1186/1471-2105-9-106
  17. Correlating Bacharach Opacity in Fuel Oil Exhaust. Prediction of the Operating Parameters that Reduce It / M. Blanco, J. Coello, S. Maspoch, A. Puigdomenech, X. Peralta, J.M. Gonzalez, J. Torres // Oil & Gas Science and Technology. – 2000. – Vol. 55, iss. 5. – P. 533–541. doi: 10.2516/ogst: 2000040
  18. Wang, D. Identifying nonlinear relationships in regression using the ACE Algorithm / D. Wang, M. Murphy // Journal of Applied Statistics. 2005. – Vol. 32, iss. 3. – P. 243–258. DOI: 10.1080=02664760500054517
  19. Li, Yang. On hyperparameter optimization of machine learning algorithms: theory and practice / Yang Li, Abdallah Shami. // Neurocomputing. 2020. – Vol. 415. – P. 295–316. doi: 10.1016/j.neucom.2020.07.061
  20. ASTM D86 – 23. Standard test method for distillation of petroleum products at atmos-pheric pressure // American National Standard. ASTM International. – 2023. – 22 p.

Статистика

Просмотры

Аннотация - 6

PDF (Russian) - 1

Ссылки

  • Ссылки не определены.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах