Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát triển cảm biến mềm cho chỉ số chảy của polymer trong quy trình polymer hóa công nghiệp bằng cách sử dụng mạng niềm tin sâu
Tóm tắt
Bài báo này trình bày việc phát triển các cảm biến mềm để đo chỉ số chảy của polymer trong một quy trình polymer hóa công nghiệp bằng cách sử dụng mạng niềm tin sâu (DBN). Biến đổi chất lượng quan trọng - chỉ số chảy của polypropylene rất khó để đo lường trong các quy trình công nghiệp. Việc thiếu các công cụ đo lường trực tuyến trở thành một vấn đề trong kiểm soát chất lượng polymer. Một giải pháp hiệu quả là sử dụng các cảm biến mềm để ước lượng các biến chất lượng dựa trên dữ liệu quá trình. Trong những năm gần đây, học sâu đã đạt được nhiều ứng dụng thành công trong phân loại hình ảnh và nhận diện giọng nói. DBN như một kỹ thuật mới có khả năng tổng quát mạnh mẽ để mô hình hóa các quy trình động phức tạp nhờ vào kiến trúc sâu của nó. Nó có thể đáp ứng yêu cầu về độ chính xác mô hình khi áp dụng vào các quy trình thực tế. So với các mạng nơ-ron thông thường, việc huấn luyện DBN bao gồm một giai đoạn huấn luyện có giám sát và một giai đoạn huấn luyện không có giám sát. Để khai thác thông tin quý giá từ dữ liệu quá trình, DBN có thể được huấn luyện bằng dữ liệu quá trình mà không có nhãn tồn tại trong giai đoạn huấn luyện không có giám sát để cải thiện hiệu suất ước lượng. Việc lựa chọn cấu trúc DBN được nghiên cứu trong bài báo. Kết quả mô hình đạt được bởi DBN và mạng nơ-ron truyền trực tiếp được so sánh trong bài báo này. Kết quả cho thấy các mô hình DBN cung cấp ước lượng rất chính xác của chỉ số chảy polymer.
Từ khóa
#cảm biến mềm #chỉ số chảy polymer #mạng niềm tin sâu #quá trình polymer hóa #học sâu #mạng nơ-ronTài liệu tham khảo
M. T. Tham, G. A. Montague, A. J. Morris, P. A. Lant. Soft-sensors for process estimation and inferential control. Journal of Process Control, vol. 1, no. 1, pp. 3–14, 1991. DOI: 10.1016/0959-1524(91)87002-F.
K. Pearson, On lines and planes of closest fit to systems of points in space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, vol. 2, no. 11, pp. 559–572, 1901. DOI: 10.1080/14786440109 462720.
H. Hotelling, Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, vol. 24, no. 6, pp. 417–441, 1933. DOI: 10.1037/h0071325.
H. Hotelling, Relations between two sets of variates. Breakthroughs in Statistics: Methodology and Distribution, S. Kotz, N. L. Johnson, Eds., New York, USA: Springer, pp. 321–377, 1992. DOI: 10.1007/978-1-4612-4380-914.
H. Wold, Estimation of principal components and related models by iterative least squares. Multivariate Analysis, P. R. Krishnaiah, Ed., New York, USA: Academic Press, pp. 391–420, 1966.
S. Wold, M. Sjöström, Eriksson. PLS-regression: A basic tool of chemometrics. Chemometrics and Intelligent Laboratory Systems, vol. 58, no. 2, pp. 109–130, 2001. DOI: 10.1016/S0169-7439(01)00155-1.
W. S. McCulloch, Pitts. A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, vol. 5, no. 4, pp. 115–133, 1943. DOI: 10.1007/BF02478259.
P. Werbos, Beyond Regression: New Fools for Prediction and Analysis in the Behavioral Sciences, Ph. D. dissertation, Harvard University, Boston, USA, 1974.
K. Desai, Y. Badhe, S. S. Tambe, B. D. Kulkarni. Soft-sensor development for fed-batch bioreactors using support vector regression. Biochemical Engineering Journal, vol. 27, no. 3, pp. 225–239, 2006. DOI: 10.1016/j.bej.2005.08.002.
G. E. Hinton, S. Osindero, Y. W. Teh. A fast learning algorithm for deep belief nets. Neural Computation, vol. 18, no. 7, pp. 1527–1554, 2006. DOI: 10.1162/neco.2006.18.7.1527.
A. Mnih, G. E. Hinton. A scalable hierarchical distributed language model. In Proceedings of the 21st International Conference on Neural Information Processing Systems, Curran Associates Inc., Vancouver, Canada, pp. 1081–1088, 2009
F. Li, J. Zhang, Shang, D. X. Huang, Oko, M. H. Wang. Modelling of a post-combustion CO2 capture process using deep belief network. Applied Thermal Engineering, vol. 130, pp. 997–1003, 2018. DOI: 10.1016/j.applther-maleng.2017.11.078.
Z. J. Yao, J. Bi, Y. X. Chen. Applying deep learning to individual and community health monitoring data: A survey. International Journal of Automation and Computing, vol. 15, no. 6, pp. 643–655, 2018. DOI: 10.1007/s11633-018-1136-9.
A. K. Jain, J. C. Mao, K. M. Mohiuddin. Artificial neural networks: A tutorial. Computer, vol. 29, no. 3, pp. 31–44, 1996. DOI: 10.1109/2.485891.
Y. Bengio, O. Delalleau, N. Le Roux. The curse of highly variable functions for local kernel machines. In Proceedings of the 18th International Conference on Neural Information Processing Systems, MIT Press, Vancouver, Canada, pp. 107–114, 2006.
Y. Bengio, Y. LeCun. Scaling learning algorithms towards AI. Large-scale Kernel Machines, L. Bottou, Chapelle, D. DeCoste, J. Weston, Eds., Cambridge, USA: MIT Press, pp. 1–41, 2007.
Y. C. Tang, R. Salakhutdinov, G. Hinton. Robust Boltzmann machines for recognition and denoising. In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, IEEE, Providence, USA, pp. 2264–2271, 2012.
P. Smolensky, Information Processing in Dynamical Systems: Foundations of Harmony Theory, Technical Report CU-CS-321-86, University of Colorado, Boulder, USA, 1986.
G. E. Hinton. A practical guide to training restricted Boltzmann machines. Neural Networks: Tricks of the Trade, G. Montavon, G. B. Orr, K. R. Miiller, Eds., Berlin Heidelberg, Germany: Springer, pp. 599–619, 2012. DOI: 10.1007/978-3-642-35289-8_32.
M. Á. Carreira-Perpiñán, G. E. Hinton. On contrastive divergence learning. In Proceedings of the 10th International Workshop on Artificial Intelligence and Statistics, The Society for Artificial Intelligence and Statistics, Barbados, pp. 33–40, 2005.
C. Shang, F. Yang, D. X. Huang, W. X. Lyu. Data-driven soft sensor development based on deep learning technique. Journal of Process Control, vol. 24, no. 3, pp. 223–233, 2014. DOI: 10.1016/j.jprocont.2014.01.012.
S. Z. Gao, X. F. Wu, L. L. Luan, J. S. Wang, G. C. Wang. PSO optimal control of model-free adaptive control for PVC polymerization process. International Journal of Automation and Computing, vol. 15, no. 4, pp. 482–491, 2018. DOI: 10.1007/s11633-016-0973-7.
J. B. P. Soares, A. E. Hamielec. Kinetics of propylene polymerization with a non-supported heterogeneous Ziegler-Natta catalyst—effect of hydrogen on rate of polymerization, stereoregularity, and molecular weight distribution. Polymer, vol. 37, no. 20, pp. 4607–4614, 1996. DOI: 10.1016/0032-3861(96)00286-8.
J. Zhang, Q. Jin, Y. Xu. Inferential estimation of polymer melt index using sequentially trained bootstrap aggregated neural networks. Chemical Engineering & Technology, vol. 29, no. 4, pp. 442–448, 2006. DOI: 10.1002/ceat.200500352.