کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7104205 1460336 2018 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Data-driven adaptive multiple model system utilizing growing self-organizing maps
ترجمه فارسی عنوان
سیستم مدل چندگانه سازگار با داده ها با استفاده از نقشه های سازماندهی خود رشد می کند
کلمات کلیدی
ترجمه چکیده
سنسورهای نرم افزاری مبتنی بر داده ها پیشرفت و پذیرش بسیار زیادی در دانشگاه ها و صنایع دارند. با این حال، یکی از چالش های باقی مانده، مدل سازی فرایندهای فرآیند، تخریب و عدم انسجام در حالت پایدار است. از آنجایی که فرآیندها هرگز در یک حالت پایدار عمل نمی کنند، اغلب دشوار است که چه مقدار و چه نوع اطلاعات پردازش شده برای آموزش و تعمیر و نگهداری مدل در آینده مورد نیاز است. استراتژی نگهداری مدل صرفا تطبیقی ​​در مقابل اختلالاتی نظیر نگهداری پیشگیرانه یا تغییرات کاتالیست مبارزه می کند. در مدل سازی مخلوط و چند مدل سیستم، ساختار مدل سازی کلی ثابت و تنها ضرایب محلی اقتباس شده است. علاوه بر این، سیستم های چند مدل نیاز به مقدار زیادی از داده های آموزشی برای مقداردهی اولیه. در این مقاله، ما یک سیستم مدل چندگانه تطبیقی ​​را با استفاده از نقشه خود سازماندهی رو به رشد برای مدل سازی فرآیندهای با راندگی و عدم انسجام پیشنهاد می کنیم. مکانیزم های به روز رسانی ساده مدل مانند به روز رسانی مدل بازگشتی یا آپگرید مدل پنجره حرکتی کافی برای مقابله با اختلالاتی مانند تغییرات فرایند ناگهانی یا انتقال درجه ها نیست. برای این سناریوها، رویکرد ما ترکیبی از مدل های محلی مبتنی بر پیش بینی (جزئی ترین مربعات) با نقشه های سازماندهی خود را افزایش می دهد تا بتواند تنظیمات انعطاف پذیری را برای پیچیدگی مدل در طول آموزش و همچنین بعدا در انطباق آنلاین فراهم آورد. این چارچوب قابل انعطاف نیز می تواند برای کشف مجموعه داده های جدید مورد استفاده قرار گیرد و به سرعت در حال توسعه نمونه های مدل است. ما اثربخشی روش پیشنهادی ما را از طریق یک نمونه آزمایش شبیه سازی شده و یک مطالعه موردی صنعتی در پیش بینی نرخ اچ یک راکتور پچ پچ نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی شیمی تکنولوژی و شیمی فرآیندی
پیش نمایش مقاله
سیستم مدل چندگانه سازگار با داده ها با استفاده از نقشه های سازماندهی خود رشد می کند
چکیده انگلیسی
Data-driven soft sensors have seen tremendous development and adoption in both academia and industry. However, one of the challenges remaining is modeling process drifts, degradation and discontinuities in steady-state. Since processes are never truly operating at a steady-state, it is often difficult to assess how much and what types of process data are needed for training and model maintenance in the future. A purely adaptive model maintenance strategy struggles against discontinuities such as preventive maintenance or catalyst changes. In mixture modeling and multi-model systems, the overall modeling structure is fixed and only local coefficients are adapted. In addition, multiple model systems require large amount of training data to initialize. In this paper, we propose an adaptive multiple model system utilizing growing self organizing map to model processes with drifts and discontinuities. Simple model update mechanisms such as recursive model update or moving window model update is not sufficient to deal with discontinuities such as abrupt process changes or grade transitions. For these scenarios, our approach combines projection based local models (Partial Least Squares) with growing self-organizing maps to allow for flexible adjustments to model complexity during training, and also later in online adaptation. This flexible framework can also be used to explore new datasets and rapidly develop model prototypes. We demonstrate the effectiveness of our proposed method through a simulated test cases and an industrial case study in predicting etch rate of a plasma etch reactor.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Process Control - Volume 67, July 2018, Pages 56-68
نویسندگان
, , ,