طراحی حسگر نرم داده محور به‌منظور پیش‌بینی کیفیت در فرآیند ناپیوسته صنعتی تولید رزین پلی‌استر

در این پژوهش، حسگر نرم داده محور بر مبنای روش مدل‌سازی پارامتر وابسته به متغیر حالت با استفاده از روش متغیر سودمند محلی (liv) برای یک فرآیند ناپیوسته تولید رزین پلی‌استر طراحی شده است. برای مدل‌سازی حسگر نرم از داده‌های یک فرآیند صنعتی استفاده شده است. به‌منظور طراحی یک حسگر نرم دقیق، با در نظر گرفتن متغیر خروجی لحظه قبل در مجموعه متغیرهای ورودی، ماهیت پویای فرآیند در محاسبات لحاظ شده است. تعداد متغیرهای ورودی مدل نهایی از 23 متغیر تعیین شده توسط دانش فرآیندی به‌تنها 4 متغیر برای ویسکوزیته و 3 متغیر برای عدد اسیدیته در این مطالعه کاهش یافت. مدل نهایی حسگر نرم با داده‌های یک نوبت آموزش داده شد، در نتیجه زمان و میزان محاسبات به شکل قابل توجهی کاهش یافت. با به‌کارگیری روش liv در فرآیند ناپیوسته تولید رزین پلی‌استر، مقادیر شاخص‌های عملکردی mae، rmse و r2 برای پیش‌بینی ویسکوزیته به‌ترتیب 0015/0، 0022/0 و 9999/0 و برای پیش‌بینی عدد اسیدیته به ترتیب 0030/0، 0094/0 و 9995/0 حاصل گردید. در مقایسه با سایر روش‌های مدل‌سازی حسگر نرم، مدل liv متغیرهای شاخص کیفیت محصول را با تعداد نوبت‌ها و متغیرهای ورودی کم‌تر برای آموزش مدل اما با دقت بیشتر پیش‌بینی می‌نماید.

design of data-driven soft sensor for quality prediction in industrial polyester resin production process

in the present study, a data-driven soft sensor is designed based on a state-dependent parameter modeling method using the local instrumental variable (liv) approach for a polyester resin production batch process. data from an industrial process has been used for soft sensor modeling. to design an accurate soft sensor, the non-stationary characteristic of the process is considered in the calculations by adopting the output variable of the previous moment to the set of input variables. the number of input variables of the final model was reduced from 23 variables determined by process knowledge to only 4 variables for viscosity and 3 for acidity number in this study. the final model of the soft sensor was trained with the data of one batch, as a result, the time and amount of calculations were significantly reduced. the performance results of the liv method by mae, rmse, and r2 indicators were obtained as 0.0015, 0.0019, and 0.9999 for viscosity and 0.0030, 0/0094, and 0/9995 for acidity number, respectively for the batch process of polyester resin production. compared to other soft sensor modeling methods, the liv model predicted the quality index variables (qiv) of the product more accurately using less number of batches and input variables for model training.