view in publisher's site

Oscillation Detection in Process Industries by a Machine Learning-Based Approach

Oscillatory control loop is a frequent problem in process industries. Its incidence highly degrades the plant profitability, which means oscillation detection and removal is fundamental. For detection, many automatic techniques have been proposed. These are usually based on rules compiled into an algorithm. For industrial application, in which the time series have very distinct properties and are subject to interferences such as noise and disturbances, the algorithm must include rules covering all possible time series structures. Since the development of this algorithm is near impractical, it is reasonable to say that current rule-based techniques are subject to incorrect detection. This work presents a machine learning-based approach for automatic oscillation detection in process industries. Rather than being rule-based, the technique learns the features of oscillatory and nonoscillatory loops by examples. A model based on deep feedforward network is trained with artificial data for oscillation detection. Additionally, two other models are trained for the quantification of the number of periods and oscillation amplitude. The evaluation of the technique using industrial data with different features reveals its robustness.

تشخیص نوسانات در صنایع فرآیند با استفاده از یک رویکرد مبتنی بر یادگیری ماشینی

حلقه کنترل نوسان یک مشکل مکرر در صنایع فرآیند است. وقوع آن به شدت سودآوری کارخانه را کاهش می‌دهد، که به این معنی است که تشخیص نوسان و حذف آن اساسی است. برای تشخیص، بسیاری از تکنیک‌های خودکار پیشنهاد شده‌اند. این قوانین معمولا براساس قوانین گردآوری‌شده در یک الگوریتم هستند. برای کاربردهای صنعتی، که در آن سری‌های زمانی ویژگی‌های بسیار متمایزی دارند و در معرض مداخلاتی مانند نویز و اختلالات قرار دارند، الگوریتم باید شامل قوانینی باشد که تمام ساختارهای سری زمانی ممکن را پوشش می‌دهند. از آنجا که توسعه این الگوریتم تقریبا غیر عملی است، منطقی است که بگوییم تکنیک‌های مبتنی بر قانون کنونی در معرض تشخیص نادرست قرار دارند. این مقاله یک روش مبتنی بر یادگیری ماشین را برای تشخیص خودکار نوسان در صنایع فرآیند ارائه می‌دهد. این تکنیک به جای این که مبتنی بر قاعده باشد، ویژگی‌های حلقه‌های نوسانی و غیر نوسانی را با مثال یاد می‌گیرد. یک مدل مبتنی بر شبکه پیش‌خور عمیق با داده‌های مصنوعی برای تشخیص نوسان آموزش داده می‌شود. علاوه بر این، دو مدل دیگر برای کمی سازی تعداد دوره‌ها و دامنه نوسان آموزش داده شده‌اند. ارزیابی این تکنیک با استفاده از داده‌های صنعتی با ویژگی‌های مختلف، استحکام آن را نشان می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Chemical Engineering
  • ترجمه مقاله General Chemical Engineering
  • مقاله مهندسی شیمی عمومی
  • ترجمه مقاله مهندسی شیمی عمومی
  • مقاله Industrial and Manufacturing Engineering
  • ترجمه مقاله Industrial and Manufacturing Engineering
  • مقاله مهندسی صنایع و ساخت
  • ترجمه مقاله مهندسی صنایع و ساخت
  • مقاله General Chemistry
  • ترجمه مقاله General Chemistry
  • مقاله شیمی عمومی
  • ترجمه مقاله شیمی عمومی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.