Razvoj modela softverskih senzora primjenom "bootstrapping" metode

diplomski rad

• Naslov (engleski): Soft sensor model development based on bootstrapping method
• Autor: Matija Cvetnić
• Mentor: Nenad Bolf (mentor)
• Član povjerenstva: Nenad Bolf (predsjednik povjerenstva)
• Član povjerenstva: Igor Dejanović (član povjerenstva)
• Član povjerenstva: Željka Ujević Andrijić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet kemijskog inženjerstva i tehnologije; Zagreb
• Datum i država obrane: 2015-07-20, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Kemijsko inženjerstvo; Analiza, sinteza i vođenje kemijskih procesa

Sažetak

U rafinerijskim postrojenjima ključne procesne veličine kao što su sastavi procesnih struja i svojstva proizvoda mjere se pomoću procesnih analizatora. Budući da su procesni analizatori često nedostupni, ključna svojstva moraju se određivati rijetkim i dugotrajnim laboratorijskim analizama. U radu je prikazan razvoj modela softverskih senzora za procjenu sadržaja benzena u lakom reformatu. Prikazana je usporedba više modela softverskih senzora razvijenih na temelju malog skupa eksperimentalnih podataka. Softverski senzori razvijeni su primjenom viševeličinske linearne regresije, viševeličinske adaptivne regresije (MARSpline) te primjenom neuronskih mreža. Svi razvijeni modeli pokazali su dobro vladanje na skupu podataka za vrednovanje modela uz visoke korelacijske faktore i male pogreške modela. Kao najbolji modeli među razvijenima pokazale su se neuronske mreže. Nešto lošije, ali i dalje zadovoljavajuće vladanje dali su modeli viševeličinske adaptivne regresije te linearni model. Linearni viševeličinski model razvijen na generiranim podacima daje donekle lošije rezultate uz zadovoljavajuće vladanje pri određenim procesnim uvjetima.

Sažetak (engleski)

In refinery plants, key process variables like contents of process stream and fuel properties needs to be continuously monitored using adequate measuring devices. Measuring devices are often unavailable or malfunction, and laboratory assays, which are irregular and therefore not suitable for process control, are inevitable alternative. In this study, soft sensors for the estimation of benzene content of light reformate are developed. This research shows a comparison of soft sensor models developed on the basis of a small data sets. Soft sensors have been developed using multivariable linear regression, multivariable adaptive regression splines (MARSpline) and neural networks. Within the validation data set, all models have shown good results with high correlation factors and small errors. Best results are achieved by neural network-based models. Models developed on small data set by multivariable adaptive regression splines and by multivariable linear regression are satisfactory and still applicable for benzene content estimation while multivariable linear regression developed on resampled data set showed slightly worse behavior on particular data range.

• Ključne riječi: softverski senzori; mali skupovi podataka; modeliranje procesa; neuronska mreža; bootstrap metoda
• Ključne riječi (engleski): soft sensor; small data set; process modeling; neural network; bootstrapping
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:149:102823
• Studijski program: Naziv: Kemijsko inženjerstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka kemijskog inženjerstva (mag. ing. cheming.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2017-03-06 10:59:21