Preparation of comprehensive data from huge data sets for predictive soft sensors

سنسورهای نرم افزاری مقادیر متغیرهای فرایند را پیش بینی می کنند که در زمان واقعی قابل اندازه گیری هستند. توان پیش بینی کننده حسگرهای نرم افزاری بستگی به پایگاه داده دارد. با این حال، هیچ راهی برای ساخت پایگاه داده های اولیه از مجموعه داده های بزرگ وجود ندارد که در گیاهان اندازه گیری شده اند و داده های غنی هستند، اما اطلاعات ضعیف هستند. بنابراین، ما یک روش برای انتخاب اطلاعات جامع از مجموعه داده های بزرگ برای ساخت سنسورهای نرم با توانایی پیش بینی بالا ارائه می دهیم. الگوریتم ژنتیک و الگوریتم کندار استون برای انتخاب داده ها با توجه به قابلیت پیش بینی مدل های رگرسیون و توزیع داده اصلاح می شوند. از طریق تجزیه و تحلیل داده های شبیه سازی عددی و داده های واقعی صنعتی، ما تایید می کنیم که پایگاه داده های اولیه می تواند به طور مناسب از مجموعه داده های بزرگ ساخته شده و دقت پیش بینی سنسورهای نرم افزاری افزایش یابد.