hrvatski

Procjena teško mjerljivih procesnih veličina na temelju pogonskih podataka

U industrijskoj proizvodnji čest je slučaj da se neke važne procesne veličine ne mogu mjeriti senzorom nego se iznos procesne veličine utvrđuje laboratorijskom analizom. Ovakav način mjerenja ne omogućava kontinuirani nadzor nad procesom te je prepreka efikasnom vođenju procesa. Problem se može izbjeći primjenom estimatora koji nadomješta stvarno mjerenje ove teško-mjerljive procesne veličine, pri čemu se estimacija oslanja na informacije o drugim procesnim veličinama koje se mjere senzorima, tzv. lako-mjerljive veličine. Kako bi se estimacija mogla kontinuirano provoditi potrebno je raspolagati matematičkim modelom procesa. Za izgradnju modela najčešće nema dovoljno a priori znanja o procesu, nego je ovo znanje najvećim dijelom sadržano u mjernim podacima registriranim u procesnoj bazi podataka. Ovi pogonski podaci u pravilu sadrže i mnoštvo različitih smetnji pa je njihova predobradba, kao pripremni dio postupka izgradnje modela, od posebnog značaja. S ciljem postizanja zadovoljavajuće točnosti i robusnosti estimatora, estimacija teško-mjerljive veličine se provodi na temelju većeg broja lako-mjerljivih procesnih veličina. Stoga se u ovom slučaju izgradnja modela provodi na temelju skupa koreliranih, visokodimenzionalnih i onečišćenih podataka. Uobičajeno korištene regresijske metode izgradnje modela na podacima često zakazuju u ovom slučaju te rezultiraju modelima s lošim predikcijskim svojstvima. U radu se istražuju metode i tehnike koje bi mogle dati dobre rezultate u izgradnji modela procesa na pogonskim podacima. Pri tome se predlažu metode zasnovane na projekciji ulaznog prostora u latentni (pot)prostor. Rezultirajući model ima dvo-razinsku strukturu, gdje se u prvom dijelu provodi preslikavanje ulaza u latentni prostor, a u drugom regresija na latentnim varijablama. S matematičkog stajališta ovaj model predstavlja kompoziciju dviju funkcija kojima se parametri optimiraju kroz zasebne kriterije. Ulazni prostor se može na različite načine preslikati u latentni prostor. Kako su svojstva modela uglavnom određena načinom preslikavanja ulaznog prostora, u radu je težište istraživanja stavljeno upravo na ovaj aspekt izgradnje modela. Neuronske mreže su pogodna osnova za izgradnju modela ovog tipa. Na dva primjera modeliranja procesa istražena su svojstva nekoliko odabranih metoda zasnovanih na preslikavanju u latentni prostor. Pokazalo se da predložena struktura modela i razdvajanje optimizacijskog kriterija procjene parametara omogućava bolje strukturiranje modela za određenu zadaću modeliranja i pouzdaniju procjenu parametara modela, u odnosu na uobičajeno korištene regresijske tehnike.

estimacija teško-mjerljive procesne veličine; na podacima zasnovano modeliranje; pogonski podaci; metode zasnovane na projekciji u latentni prostor; viševarijantna analiza; klaster analiza; neuronske mreže

nije evidentirano