Development of Soft Sensor With Multiple Outputs Based on an Error Predictor for Control of the Target Product Quality of a Complex Distillation Column

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription or Fee Access

Abstract

Рассматривается задача повышения точности виртуального анализатора (ВА) с несколькими выходными переменными. Показано, что введение предиктора векторного временного ряда ошибок обеспечивает учет динамической взаимозависимости компонент процесса и позволяет повысить точность ВА. Построение предиктора ошибок с несколькими выходами выполняется с использованием векторных авторегрессионных моделей и набора моделей авторегрессии с распределенным лагом, оптимальные структуры и параметры которых находятся численными методами. Проведено сравнение предложенного подхода к построению многомерного ВА с традиционными методами, основанными на последовательном построении одномерных по выходу ВА в системе управления показателями качества целевого продукта (легкой дизельной фракции) промышленной сложной ректификационной колонны. Эффективность предложенного подхода также продемонстрирована для класса адаптивных ВА.

References

  1. Lawrence N.P., Damarla S.K., Kim J.W., et.al. Machine learning for industrial sensing and control: A survey and practical perspective // Control Engineering Practice. 2024. V. 145. 105841. https://doi.org/10.1016/j.conengprac.2024.105841
  2. Bazmadae H.H. Виртуальные анализаторы (идентификационный подход) // АиТ. 2004. № 11. С. 3-24. Bakhtadze N.N. Virtual Analyzers: Identification Approach // Autom. Remote Control. 2004. V. 65. No. 11. P. 1691-1709. https://doi.org/10.1023/B:AURC.0000047885.52816.c7
  3. Лозунов П.Л., Шаманян М.В., Кислаев Д.В., et.al. Усовершенствованное управление ТП: от контура регулирования до общезаводской оптимизации // Автоматизация в промышленности. 2015. № 4. С. 4-14. Logunov P.L., Shamanin M.V., Kneller D.V., et.al. Advanced Process Control: From a PID loop up to refinery-wide optimization // Autom. Remote Control. 2020. V. 81. P. 1929-1943. https://doi.org/10.1134/S0005117920100100
  4. Шварцев В.И. Определение характеристик ректификационной колонны по данным нормальной эксплуатации методом потенциальных функций // АиТ. 1968. № 6. С. 142-144.
  5. Mejdell T., Skogestad S. Estimation of distillation compositions from multiple temperature measurements using partial-least-squares regression // Industrial & Engineering Chemistry Research. 1991. V. 30. Iss. 12. P. 2543-2555. https://doi.org/10.1021/ie00060a007
  6. Torqashov A., Skogestad S. The use of first principles model for evaluation of adaptive soft sensor for multicomponent distillation unit // Chemical Engineering Research and Design. 2019. V. 151. P. 70-78. https://doi.org/10.1016/j.cherd.2019.08.017
  7. Ferreira J., Pedemonte M., Torres A.I. Development of a machine learning-based soft sensor for an oil refinery's distillation column // Computers & Chemical Engineering. 2022. V. 161. 107756. https://doi.org/10.1016/j.compchemeng.2022.107756
  8. Vepetuxo A.A. Виртуальные анализаторы качества на основе цифровых моделей // Автоматизация в промышленности. 2022. № 7. C. 33-38. https://doi.org/10.25728/avtprom.2022.07.05. Chereshko A.A. Soft sensors based on digital models // Autom. Remote Control. 2023. V. 84. No. 7. P. 788-796. https://doi.org/10.1134/s0005117923070044
  9. Wang K., Shang C., Liu L. Dynamic soft sensor development based on convolutional neural networks // Industrial & Engineering Chemistry Research. 2019. V. 58. No. 26. P. 11521-11531. https://doi.org/10.1021/acs.iecr.9b02513
  10. Xibilia M.G., Latino M., Marinkovic Z. Soft sensors based on deep neural networks for applications in security and safety // IEEE Transactions on Instrumentation and Measurement. 2020. V. 69. No. 10. P. 7869-7876. https://doi.org/10.1109/TIM.2020.2984465
  11. Xuefeng Y. Hybrid artificial neural network based on BP-PLSR and its application in development of soft sensors // Chemometrics and Intelligent Laboratory Systems. 2010. V. 103. No. 2. P. 152-159. https://doi.org/10.1016/j.chemolab.2010.07.002
  12. Li L., Li N., Wang X. Multi-output soft sensor modeling approach for penicillin fermentation process based on features of big data // Expert Systems with Applications. 2023. V. 213. P. 119208. https://doi.org/10.1016/j.eswa.2022.119208
  13. Mastelini S.M., Da Costa V.G.T., Santana E.J. Multi-output tree chaining: An interpretative modelling and lightweight multi-target approach // J. Signal Proc. Syst. 2019. V. 91. No. 2. P. 191-215. https://doi.org/10.1007/s11265-018-1376-5
  14. Xu S., An X., Qiao X. Multi-output least-squares support vector regression machines // Pattern Recognition Letters. 2013. V. 34. No. 9. P. 1078-1084. https://doi.org/10.1016/j.patrec.2013.01.015
  15. Grbic R., Sliskovic D., Kadlec P. Adaptive soft sensor for online prediction and process monitoring based on a mixture of Gaussian process models // Computers & Chemical Engineering. 2013. V. 58. P. 84-97. https://doi.org/10.1016/j.compchemeng.2013.06.014
  16. Bakirov R., Gabrys B., Fay D. Multiple adaptive mechanisms for data-driven soft sensors // Computers & Chemical Engineering. 2017. V. 96. P. 42-54. https://doi.org/10.1016/j.compchemeng.2016.08.017
  17. Saptoro A. State of the art in the development of adaptive soft sensors based on just-in-time models // Procedia Chemistry. 2014. V. 9. P. 226-234. https://doi.org/10.1016/j.proche.2014.05.027
  18. Pan B., Jin H., Wang L., et.al. Just-in-time learning based soft sensor with variable selection and weighting optimized by evolutionary optimization for quality prediction of nonlinear processes // Chemical Engineering Research and Design. 2019. V. 144. P. 285-299. https://doi.org/10.1016/j.cherd.2019.02.004
  19. Fujiwara K., Kano M., Hasebe S., Takinami A. Soft-sensor development using correlation-based just-in-time modeling // AIChE J. 2009. V. 55. No. 7. P. 1754-1765.
  20. Sangoi E., Sanseverinatti C.I., Clementi L.A., Vega J.R. A Bayesian bias updating procedure for automatic adaptation of soft sensors // Computers & Chemical Engineering. 2021. V. 147. P. 107250. https://doi.org/10.1016/j.compchemeng.2021.107250
  21. Xiong W., Zhang W., Xu B., Huang B. JITL based MWGPR soft sensor for multi-mode process with dual-updating strategy // Computers & Chemical Engineering. 2016. V. 90. P. 260-267. https://doi.org/10.1016/j.compchemeng.2016.04.033
  22. Klimchenko V., Torgashov A., Shardt Y.A.W., Yang F. Multi-output soft sensor with a multivariate filter that predicts errors applied to an industrial reactive distillation process // Mathematics. 2021. V. 9. No. 16. P. 1947. https://doi.org/10.3390/math9161947
  23. Климченко В.В., Снегирев О.Ю., Шевлягина С.А., Торашов А.Ю. Разработка адаптивного виртуального анализатора с использованием прогнозирующего фильтра для нестационарного технологического процесса // АиТ. 2022. No. 12. C. 141-155. Klimchenko V.V., Snegirev O.Yu., Sheulyagina S.A., Torgashov A.Yu. Developing an adaptive soft sensor using a predictive filter for a nonstationary process // Autom. Remote Control. 2022. V. 83. P. 1984-1994. https://doi.org/10.1134/S00051179220120104
  24. Torgashov A., Snegirev O., Klimchenko V., Yang F. Development of a multivariate quality estimator for an industrial fractionator in the presence of cross-correlation of output variables // IFAC-PapersOnLine. 2023. V. 56. No. 2. P. 7160-7165. https://doi.org/10.1016/j.ifacol.2023.10.596
  25. Hamilton J.D. Time series analysis. Princeton: Princeton University Press. 1994.
  26. Pesaran M.H. An autoregressive distributed lag modelling approach to cointegration analysis // Department of Applied Economics, University of Cambridge, Cambridge. 1995. V. 9514. P. 371-413.
  27. Yeo W.S., Saptoro A., Kumar P., Kano M. Just-in-time based soft sensors for process industries: A status report and recommendations // J. Process Control. 2023. V. 128. 103025. https://doi.org/10.1016/j.jprocont.2023.103025
  28. Box G.E.P., Jenkins G.M., Reinsel G.C., Ljung G.M. Time series analysis: forecasting and control fifth ed. Hoboken, NJ: Wiley. 2015.
  29. Alt F.L. Distributed Lags // Econometrica. 1942. V. 10. No. 2. P. 113-128. https://doi.org/10.2307/1905784
  30. Jenkins G.M., Watts D.G. Spectral analysis and its applications. San Francisco: Holden-Day, 1968.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 The Russian Academy of Sciences