Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Specijalni_zavrsni_rad_Zoran_Grgić_01
1. MODELIRANJE SOFTVERSKOG SENZORA UZ
PRIMJENU NEURONSKIH MREŽA NA
POSTROJENJU HIDROKREKING-A
Student: Zoran Grgić
Mentor: Sabrina Šuman, predavač
VELEUČILIŠTE U RIJECI
Poslovni odjel
Specijalistički diplomski stručni studij
Informacijske tehnologije u poslovnim sustavima
2. Sadržaj
• Primjena Neuronske mreže u procesnoj
industriji
• Soft Senzori u procesnoj industriji
• Trendovi u procesnoj industriji
• Dizajn Sustava za analizu uz pomoć Neuronske
mreže
2/14
3. Primjena neuronske mreže u procesnoj
industriji
3
Definicija neuronskih mreža
Kevin Guerney:
“Neuronska mreža je međusobno povezana nakupina
jednostavnih elemenata obrade, jedinica ili čvorova,čiji se
način djelovanja otprilike temelji na neuronima kod životinja.
Sposobnost obrade mreže je posljedica jačine veza među tim
jedinicama, a postiže se kroz proces adaptacije ili učenjem iz
skupa primjera za uvježbavanje.”
4. Primjena neuronske mreže u procesnoj
industriji
4/14
• Soft senzori u procesnoj industriji
- inferential sensor,
- virtual online sensor,
- observer-based sensor.
• Klase soft senzora
- model-driven modeli (FPM-First
Principle Models)
- data-driven modeli (DDM)
5. Primjena neuronske mreže u procesnoj
industriji
5/14
• Početna analiza (First data
inspection)
• Odabir povijesnih podataka
indentifikacija stacionarnog
Stanja
• Obrada podataka
• Odabir modela, učenje i
validacija
• Održavanje soft-senzora
Razvoj soft-senzora
6. Primjena neuronske mreže u procesnoj
industriji
6/14
Soft Senzor aplikacije:
• On-Line predviđanja
• Praćenje procesa i otkrivanje pogrešaka
• Otkrivanje kvara i rekonstrukcija soft senzora
7. 7/14
Primjena neuronske mreže u procesnoj
industriji
Trendovi u procesnoj industriji:
• Povećanje kvalitete proizvoda
• Proizvodne performanse
• Optimizacija energetske učinkovitosti
• Zadovoljavanje ekoloških zahtjeva
Koch - ”evolucijski napredak koji će afektirati mjerenja
fizikalno-kemijskih veličina uključuje: procesiranje
informacija, uključujući umjetnu inteligenciju, neuronske
mreže i modelski osnovanu analizu.”
8. Primjena neuronske mreže u procesnoj
industriji
8/14
• Integracija neizrazite logike (Fuzzy Logic) u
neuronske mreže
• Pulsne neuronske mreže
• Specijalizirani hardver za neuronske mreže
• Unaprjeđivanje postojećih tehnologija
U budućnosti razvoj hibridnih modela biti ključan za
razvoj vođenja u procesnoj industriji.
9. Neuronski model softverskog senzora
Proces dizajniranja neuronske mreže
• Definiranje modela (izbor ulaznih i izlaznih varijabli,
priprema ulaznih podataka)
• Izbor najprikladnijeg algoritma
• Raspoređivanje neurona u slojeve
• Izbor pravila i parametra učenja
• Provođenje postupka učenja
• Testiranje
9/14
10. Neuronski model softverskog senzora
Definiranje modela
Izbor ulaznih i izlaznih varijabli, priprema ulaznih podataka
10/14
1. 376-FIC-063 – protok pumparounda
2. 376-TIC-103 – temperaturu vrha kolone
3. 376-PIC-094 – tlak vrha kolone
4. 376-PDI-220 – pad tlaka na tanjuru izvlačenja dizela
5. 376-TI-107 – temperatura izvlačenja dizela
6. 376-TIC-101A – ulaz sarže u kolonu
1
2
3
5
4
6
Izlazna varijabla je rezultat laboratorijske analize 95%destilacija
12. Neuronski model softverskog senzora
12/14
Izlazne varijable (podaci)
period od 8.06.-9.08.2015
dopuštene granice 350-360 C
Izlazne varijable (podaci)
period od 24.07.-3.08.2015 u
dopušteni granicama
350-360C
13. Neuronski model softverskog senzora
13/14
Struktura neuronske mreže
• 6 ulaza, 1 skriveni sloj s 12 neurona, 1 izlaz
14. Neuronski model softverskog senzora
14
Izlazne vrijednosti prije početka učenja crna
linija,crvena linija označava rezultate dobivene
modeliranjem.
Prije početka procesa učenja crvena krivulja,
zapravo pravac, jer su sve težinske vrijednosti
između neurona jednake početnim
(inicijalnim) vrijednostima.
Učenje smo proveli na način da smo
najprije pokušali s jednim skrivenim
neuronom, da bi dalje, iterativnim
postupcima, postepeno povećavali broj
skrivenih neurona dok nismo na kraju dobili
najbolji rezultat, odnosno najmanju
pogrešku izlazne vrijednosti neuronske
mreže.
15. Zaključak
• Razvijeni model je pokazao da se model umjetne
neuronske mreže može primijeniti kao „inteligentni“
senzor u procesu koji može pouzdano i zadovoljavajuće
precizno, na temelju sekundarnih mjerenja, procjenjivati
vrijednost primarne veličine u procesu.
• Izgrađeni softverski senzori mogu poslužiti u daljnjem
istraživanju i optimiranju procesa jer se na toj osnovi
mogu razviti metode inferencijskog vođenja.
15/14
16. Zaključak
• Te metode mogu se relativno jednostavno primijeniti u
sustavu za automatsko vođenje procesa i u slučaju kad
vođene veličine, kao što je ovdje slučaj, nije moguće
mjeriti kontinuirano.
• Isto tako, moguće je razmotriti primjenu softverskih
senzora i kod drugih kontinuiranih proizvodnih procesa u
svrhu unapređenja vođenja procesa i postizanja
zahtijevane kvalitete produkata.
12.10.2012. 16
Definicija
Neuronska mreža je međusobno povezana nakupina jednostavnih elemenata obrade, jedinica ili čvorova,čiji se način djelovanja otprilike temelji na neuronima kod životinja. Sposobnost obrade mreže je posljedica jačine veza među tim jedinicama, a postiže se kroz proces adaptacije ili učenjem iz skupa primjera za uvježbavanje.
Industrijska postrojenja za preradu imaju velik broj senzora. Primarna svrha senzora je da dostavi podatke za praćenje i kontrolu procesa.
Znanstvenici u prošlom stoljeću su počeli koristiti velike količine podataka koji se mjere i pohranjuju u procesnoj industriji gradeći prediktivne modele na temelju tih podataka.
U kontekstu procesne industrije, ovi prediktivni modeli se nazivaju softverski senzori. Ovaj pojam je kombinacija dviju riječi „softver“, jer modeli su obično računalni programi i „senzori“, jer modeli isporučuju iste informacije kao i hardverski isti analizatori na postrojenju.Model-driven modeli (MDM), ili točnije First Principles Models (FPM), prvenstveno je razvijen za potrebe planiranja i razvoja procesnih postrojenja. Ovi modeli temelje se na jednadžbama koje opisuju kemijska i fizička načela na kojima se temelji proces. Tipičan primjer koristi principe masovnih očuvanja, egzotermnu jednadžbu, energetsku bilancu, kinetike reakcije u vidu stope reakcija jednadžbi za tu svrhu. Mana razvoja ovih modela je puno stručnog poznavanja procesa, ovo znanje nije uvijek dostupno.Soft senzori Data-driven models (DDM) su nastali kao atraktivan pristup modeliranju za povećanje alata za dijagnostiku, prognostičke i podrške pri odlučivanju za procesne operatere ugrađen u automatizirani sustav upravljanja. Modeli se temelje na stvarnim mjerenjima koji su evidentirani, pohranjuju se i pružaju kao povijesni podaci od strane Proces Information Managment Systems (PIMS). Sami modeli su empirijski prediktivne metode kao Principle Component Regression (PCR), Multi-layer Perceptron (MLP) itd.
Početna analiza (First data inspection) - Tijekom početnog koraka, prvi pregled koraka se izvodi. Namjera ovog koraka je da se dobije pregled strukture podataka i utvrditi očite probleme koji se mogu obraditi u početnoj fazi (npr. zaključane varijable ima stalnu vrijednost, itd). Sljedeći cilj je procijeniti zahtjeve za kompleksnost modela. Iskusni soft senzor programer, već u ovoj fazi može donijeti razumnu odluku, u slučaju on-line soft senzora koristiti jednostavan regresijski model, složeniji PCA regresijski model ili nelinearne neuronske mreže za izgradnju soft senzora.
Odabir povijesnih podataka, indentifikacija stacionarnog stanja ( Selection of historical data and indentification of stationary states ) - Podaci koji će se koristiti za učenje i vrednovanje modela su izabrani. Zatim, stacionarni dio podatak moraju se identificirati i odabrati. U velikoj većini slučajeva dodatno modeliranje će se samo nositi sa stacionarnim stanjima procesa. Identifikacija stacionarnih stanja procesa obično se obavlja ručno .
Obrada podataka ( Data pre-processing ) - Cilj ovog koraka je promijeniti podatke na takav način, da mogu učinkovitije obrađivati u stvarnom modelu. Primjer tipične obrade podataka je korak normalizacije podataka, U slučaju podataka koji su nastali u procesnoj industriji postoji nekoliko koraka za obradu podataka, što je označeno kao petljom „podatak prije obrade“, Uobičajeni koraci su: postupanje s podatcima koji nedostaju, otkrivanje grubih pogrešaka i zamjena istih, izbor relevantnih varijabli, postupanje podacima i otkrivanje kašnjenja između pojedinih varijabli. Puno navedenih koraka u ovom trenutku obrađuju se ručno ili barem nadzire od strane stručnjaka.
Odabir modela, učenje i validacija ( Model selection, training and validation ) - Ovo je kritična faza za soft-senzor. Kao što je napisano model je „motor“ soft-senzora, odabir optimalnog modela je ključan za performanse. Do današnjeg trenutka nemamo jedinstven pristup za odabir zato se određeni tip modela i njegovi parametri u većini određeno „ad-hoc“ pristupom za svaki soft-senzor. Odabir modela je zadatak programera na osnovi iskustva i osobnih sklonosti koji mogu biti nedostaci za finalni za soft-senzor.
Održavanje Soft-senzora ( Soft Sensor maintenance ) - Nakon razvoja i uvođenja Soft Senzora, mora biti održavan i ugađan na regularnoj bazi. Održavanje je bitno iz razloga promjene podataka, koje uzrokuju pogoršanje soft senzora. Trenutno mnogi soft senzori ne osiguravaju automatizirane mehanizme za održavanje. Ova činjenica kao i prethodne za potrebno ručno mijenjanje podataka poradi kvalitete podataka, održavanje soft senzora uzrokuje povećane troškove aplikacije soft senzora.
Aplikacije soft senzora mogu se pronaći u mnogim oblastima procesne industrije. Najviše primjera imamo u kemijskoj industriji, papir/celuloza industrija i industriji čelika.
On-Line predviđanja - Najčešće aplikacije soft senzora su predviđanja vrijednosti koje se ne mogu mjeriti on-line koristeći automatizirana mjerenja. Ovo bi moglo biti iz tehnološkog razloga (na primjer, nema opreme za određena mjerenja), ekonomskog razloga (na primjer, preskupa određena oprema). Ovo se najviše vrijedi za kritična mjerenja koja se odnose na kvalitetu proizvoda. Soft senzor u ovakvim slučajevima pružaju korisne informacije od koristi i kad imamo predviđanja koja ispunjavaju standarde, mogu čak biti inkorporirani u automatske kontrolne krugove procesa. Soft senzori su naširoko korišteni u fermentacijskoj, polimerizacijskoj i rafinerijskoj industriji.
Praćenje procesa i otkrivanje pogrešaka - Još jedno područje soft senzora je praćenje procesa. praćenje procesa može biti bez nadzora učenje ili binarni klasificirani zadatak. Sustavi mogu biti učeni da prate, analiziraju normalan rad postrojenja ili da prepoznaju moguću grešku.
Otkrivanje kvara i rekonstrukcija soft senzora - Velika većina tehnika modeliranja primijenjena u procesnoj industriji za soft senzore nije u mogućnosti prikupljati podatke kod neispravnog senzora, zbog toga je bitno identificirati, izmijeniti senzor, procesne nedostatke prije izgradnje stvarnog modela.
Razvoj tehnologije senzora slijedeće generacije je vođen općom potrebom procesne industrije da poveća kvalitetu proizvoda i proizvodne performanse uz optimizaciju energetske efikasnosti i zadovoljavanje ekoloških zahtjeva. Nedostatak naprednih procesnih mjerenja i sustava za vođenje procesa, u realnom vremenu, se trenutno smatra kritičnim ograničavajućim faktorom za realizaciju postavljenih ciljeva u budućnosti.
možemo očitati da se predviđene vrijednosti uglavnom podudaraju s realnim mjerenjima, ali u nešto u manjoj mjeri kod testiranja nego što je to slučaj kod procesa učenja. To možemo prepisati nedovoljno velikom uzorku podataka za učenje, netočnosti stvarnih izlaznih podataka koje smo koristili kod procesa učenja ili nekim utjecajnim veličinama koje nismo uzeli u obzir kod definiranja strukture neuronske mreže.
Kako nam je broj dostupnih i korisnih izlaznih podataka (rezultati laboratorijskih analiza) u vrijeme ovog istraživanja bio ograničen,
a poseban postupak testnog rada postrojenja (engl.: Test Run) samo u svrhu izrade modela, nismo proveli, nije bilo realnog prostora za značajnije poboljšanje rezultata.
Provjeru točnosti laboratorijskih analiza također nismo mogli provesti, posebno zbog činjenice da su analize uglavnom učinjene davno prije početka izrade neuronskog modela.
Nakon završetka izrade modela umjetne neuronske mreže, potrebno je model ugraditi u sustav za vođenje procesa koji radi u realnom vremenu. U prilogu A je ispisan matematički izraz kojeg možemo ugraditi u računalni sustav za vođenje procesa (DCS).
U ovom diplomskom radu su opisani modeli softverskih senzora primjenom neuronskih mreža. U svrhu procjene veličina koje se ne mogu kontinuirano mjeriti u procesu, razvijen je model softverskih senzora za 95% destilaciju u proizvodu dizela postrojenja Hidrokreking.
Razvijeni model je pokazao da se model umjetne neuronske mreže može primijeniti kao „inteligentni“ senzor u procesu koji može pouzdano i zadovoljavajuće precizno, na temelju sekundarnih mjerenja, procjenjivati vrijednost primarne veličine u procesu. Razvoj inferencijskih senzora i njihova primjena ne zahtijevaju velika ulaganja, jer se inferencijski senzor realizira kao programski modul u računalu, koji na temelju lako mjerljivih veličina i dostupnih ulaznih veličina predviđa vrijednosti teško mjerljivih procesnih veličina.
Izgrađeni softverski senzori mogu poslužiti u daljnjem istraživanju i optimiranju procesa jer se na toj osnovi mogu razviti metode inferencijskog vođenja. Te metode mogu se relativno jednostavno primijeniti u sustavu za automatsko vođenje procesa i u slučaju kad vođene veličine, kao što je ovdje slučaj, nije moguće mjeriti kontinuirano. Isto tako, moguće je razmotriti primjenu softverskih senzora i kod drugih kontinuiranih proizvodnih procesa u svrhu unapređenja vođenja procesa i postizanja zahtijevane kvalitete produkata.
