論文の概要: Machine Learning-Based Soft Sensors for Vacuum Distillation Unit
- arxiv url: http://arxiv.org/abs/2111.11251v1
- Date: Fri, 19 Nov 2021 15:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 14:59:13.551293
- Title: Machine Learning-Based Soft Sensors for Vacuum Distillation Unit
- Title（参考訳）: 真空蒸留装置用機械学習型ソフトセンサ
- Authors: Kamil Oster, Stefan G\"uttel, Lu Chen, Jonathan L. Shapiro, Megan
Jobson
- Abstract要約: 製品の品質は、プロセスの製品が仕様の範囲内かどうかを知らせる重要な特性である。
この問題に対処する戦略の1つはソフトセンサーである。
ソフトセンサー(Soft Sensor)は、頻繁な測定特性の予測と予測に使用できるモデルの集合である。
- 参考スコア（独自算出の注目度）: 5.728037880354686
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Product quality assessment in the petroleum processing industry can be
difficult and time-consuming, e.g. due to a manual collection of liquid samples
from the plant and subsequent chemical laboratory analysis of the samples. The
product quality is an important property that informs whether the products of
the process are within the specifications. In particular, the delays caused by
sample processing (collection, laboratory measurements, results analysis,
reporting) can lead to detrimental economic effects. One of the strategies to
deal with this problem is soft sensors. Soft sensors are a collection of models
that can be used to predict and forecast some infrequently measured properties
(such as laboratory measurements of petroleum products) based on more frequent
measurements of quantities like temperature, pressure and flow rate provided by
physical sensors. Soft sensors short-cut the pathway to obtain relevant
information about the product quality, often providing measurements as
frequently as every minute. One of the applications of soft sensors is for the
real-time optimization of a chemical process by a targeted adaptation of
operating parameters. Models used for soft sensors can have various forms,
however, among the most common are those based on artificial neural networks
(ANNs). While soft sensors can deal with some of the issues in the refinery
processes, their development and deployment can pose other challenges that are
addressed in this paper. Firstly, it is important to enhance the quality of
both sets of data (laboratory measurements and physical sensors) in a data
pre-processing stage (as described in Methodology section). Secondly, once the
data sets are pre-processed, different models need to be tested against
prediction error and the model's interpretability. In this work, we present a
framework for soft sensor development from raw data to ready-to-use models.
- Abstract（参考訳）: 石油加工業界における製品品質評価は、植物からの液体サンプルの手作業による収集や、その後の化学実験による分析など、困難かつ時間を要する可能性がある。
製品の品質は、プロセスの製品が仕様の範囲内かどうかを知らせる重要な特性である。
特に、サンプル処理(収集、実験室計測、結果分析、報告)による遅延は、有害な経済効果をもたらす可能性がある。
この問題に対処する戦略の1つはソフトセンサーである。
ソフトセンサー(Soft Sensor)は、物理センサーによって提供される温度、圧力、流量などのより頻繁な測定に基づいて、頻繁に測定される性質(石油製品の実験室測定など)を予測・予測するために使用されるモデルの集合である。
ソフトセンサーは、製品の品質に関する関連情報を得るための経路をショートカットし、しばしば毎分同じ頻度で測定する。
ソフトセンサーの応用の1つは、操作パラメータのターゲット適応による化学プロセスのリアルタイム最適化である。
ソフトセンサーに使用されるモデルには様々な形態があるが、最も一般的なものは人工ニューラルネットワーク(anns)に基づくモデルである。
ソフトセンサーは精製プロセスのいくつかの問題に対処できるが、その開発と展開は、この論文で解決される他の課題を生じさせる可能性がある。
まず,データ前処理段階におけるデータセット(実験計測と物理センサ)の質を高めることが重要である(方法論セクションで説明されている)。
次に、データセットが事前処理されると、予測エラーとモデルの解釈可能性に対して異なるモデルをテストする必要がある。
本稿では,生データから利用可能モデルまで,ソフトセンサ開発のためのフレームワークを提案する。
関連論文リスト
- Scaling Wearable Foundation Models [54.93979158708164]
センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。
最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。
この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
論文 参考訳（メタデータ） (2024-10-17T15:08:21Z) - A deep latent variable model for semi-supervised multi-unit soft sensing in industrial processes [0.0]
半教師付きマルチユニットソフトセンシングのための潜時変動モデルを提案する。
この階層的で生成的なモデルは、ラベル付きデータとラベルなしデータの両方から学習するだけでなく、異なるユニットを共同でモデル化することができる。
半教師付き学習とマルチタスク学習を組み合わせることで,提案手法は優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2024-07-18T09:13:22Z) - ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳（メタデータ） (2023-02-09T20:19:57Z) - Soft Sensing Regression Model: from Sensor to Wafer Metrology
Forecasting [2.8992789044888436]
本研究は,入射検査測定の予測にセンサデータを用いるソフトセンシング回帰の課題に焦点を当てた。
我々はLSTMベースの回帰器を提案し、モデルトレーニングのための2つの損失関数を設計した。
実験により, 複雑な製造工程における各種検査の精度と早期予測が得られた。
論文 参考訳（メタデータ） (2023-01-21T16:54:05Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳（メタデータ） (2022-09-21T08:14:34Z) - Soft Sensors and Process Control using AI and Dynamic Simulation [14.986031916712106]
容易に測定可能な変数からリアルタイムで取得できないプロセス変数を推定するためのソフトセンサが提案されている。
本研究では, 植物の内部状態変数を動的シミュレーターを用いて推定し, 記録されていない状況でも予測できることを示した。
論文 参考訳（メタデータ） (2022-08-08T19:14:50Z) - DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep
Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。
DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
論文 参考訳（メタデータ） (2021-09-21T10:38:26Z) - Data-based Design of Inferential Sensors for Petrochemical Industry [0.0]
産業において、不正確な(またはソフトな)センサーは、オンラインで測定された変数から不正確かつ稀に測定された(または完全に測定されていない)変数の値を推測するために用いられる。
本研究は, 石油精製装置2基の工業蒸留塔の製品組成推定センサの設計に焦点をあてたものである。
論文 参考訳（メタデータ） (2021-06-25T08:48:50Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。