Soft sensor design in chemical processes using statistical learning methods

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2018

Tezin Dili: İngilizce

Öğrenci: AYSUN URHAN

Danışman: BURAK ALAKENT

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Günümüzde artan rekabet, imalat kısıtlamaları ve güvenlik tedbirleri nedeniyle, süreç kontrol, izleme ve arıza tespit stratejileri kimyasal tesislerde daha titizlikle uygulanmaktadır. Bu sebeple, kimyasal süreçlerde çok sayıda süreç değişkeni çevrimiçi olarak ölçülmekte, diğer taraftan ürünün kalitesinde daha önemli rol oynayan kalite değişkenleri aynı sıklıkta ölçülememektedir. Son yıllarda popülerlik kazanan veri-bazlı hesapsal (soft) sensörler geleneksel olarak ARX modelleme, PLS ve PCR gibi evrensel istatistiksel öğrenme yöntemlerini kullanarak, kalite değişkenlerinin tahmin edilmesini sağlamaktadır. Bu tezde, doğrusal ilişkili ve gereğinden fazla sayıda süreç değişkenin izlendiği, ve kavram değişimi gibi sık rastlanılan problemlerin etkisi altında olan kimyasal süreçler için hassas tahmin becerisine sahip veri-bazlı hesapsal sensörler tasarlanmıştır. Tasarlanan sensörler, kararlı durum ve dinamik benzetimlerden elde edilen iki veri seti ve endüstriyel bir dinamik veri seti üzerinde test edilmiştir. Değişken seçimi ve topluluk öğrenimi, doğrusal ilişkinin üstesinden gelmek, ve tahmin modellerini kararlı hale getirmek için önerilmiştir. RVM bazlı hareketli pencere (MW) modellerinde, modellenen pencere boyutunun o anki kavrama adapte edilmesi, ve topluluk öğrenimi yaklaşımı çerçevesinde, MW ve JITL modellerinin birleştirilmesi, tahminleri iyileştirmek için önerilmiştir. Geliştirilen algoritmalar arasında en doğru tahminler, topluluk öğreniminde elde edilmiş, ayrıca bu algoritmaların, literatürden ilgili geleneksel yöntemlerden daha iyi performans gösterdikleri, ve hesap süresinin çevrimiçi zaman kısıtlamalarına uyduğu görülmüştür.