http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
웨이블릿 변환을 적용한 머신러닝 기반 증류공정 예측 모델 개발
권혁원,최영렬,오광철,정용철,조형태,김정환 한국공업화학회 2020 한국공업화학회 연구논문 초록집 Vol.2020 No.-
머신러닝 기반 예측 모델은 비선형의 복잡한 관계를 가지는 변수 간 관계를 학습하고 이를 활용하여 대상 변수를 예측할 수 있어 화학공정에서 활용되고 있다. 본 연구에서는 웨이블릿 변환이 적용된 머신러닝 기반 예측 모델을 개발하여 증류공정의 주요 변수 중 하나인 제품 생산단 온도를 예측한다. 모델 개발에 필요한 데이터는 증류공정의 센서로부터 수집되고 있으나 신호에 잡음이 있어 예측 성능이 하락하는 문제가 발생한다. 이 문제를 해결하기 위해 신호의 잡음을 제거할 수 있는 웨이블릿 변환을 적용하였다. 웨이블릿 변환은 웨이블릿 함수의 스케일을 조절하며 원신호와 비교하여 유사도를 계산하고 이를 통해 근삿값과 세부값으로 분해한다. 본 연구에서는 웨이블릿 함수 종류에 따른 근삿값을 이용하여 제품 생산단 온도를 예측하여 개발된 모델의 성능을 평가하였다. 평가 결과를 이용하여 최적의 웨이블릿 함수를 선정하였으며 잡음이 제거된 예측 결과를 통해 효율적인 공정 제어를 할 수 있을 것으로 기대된다.
순환신경망 기반 혼합부탄 분리공정의 온도 예측 모델 개발
권혁원,오광철,정용철,김정환 한국공업화학회 2019 한국공업화학회 연구논문 초록집 Vol.2019 No.1
본 연구에서는 머신 러닝 모델인 순환신경망을 활용하여 혼합부탄 분리공정의 제품 출구 온도를 예측하는 모델을 제시하고 평가하였다. 대상 공정은 유입되는 원료의 조성이 실시간으로 변하여 제품 출구 온도를 제어하여 품질을 유지하고 있다. 실제 공정은 작업자에 의하여 운전되고 있어서 불확실성이 높이 머신 러닝 기반의 지능화 운전 시스템이 필요하다. 수집된 운전 데이터를 분석하여 제품 출구 온도에 영향을 주는 핵심 변수를 확립하였으며 이를 활용하여 경험적 온도 예측 모델을 개발 하였다. 본 연구에서는 RNN (Recurrent Neural Networks), LSTM (Long Short-Term Memory), GRU (Gated Recurrent Units)등의 시계열 분석 모델을 통하여 분석 및 예측이 이루어졌다. 시계열 분석 모델의 시뮬레이션 결과와 실제 운전 데이터의 비교 검증이 이루어졌다. 검증 결과 GRU 모델이 평균제곱근오차(RMSE) 및 상관계수 (R²)가 각각 0.0197, 0.942로 계산되어 해당 공정에 가장 적합한 모델로 선정되었다.
권혁원 ( Hyukwon Kwon ),오광철 ( Kwang Cheol Oh ),정용철 ( Yongchul G. Chung ),조형태 ( Hyungtae Cho ),김정환 ( Junghwan Kim ) 한국공업화학회 2020 공업화학 Vol.31 No.5
본 연구에서는 증류공정의 제품 생산단 온도 예측을 위한 머신러닝 기반 모델을 개발하였다. 증류공정의 제어는 제품 생산단의 온도를 통해 이루어지고 있어 제어를 위해 정확한 온도 예측이 필요하다. 증류공정에서 온도는 다양한 변수들과 복잡한 비선형의 관계를 형성하고 있으며 시계열 데이터의 특성이 있어 이를 예측하기 위해 순환신경망 기반 알고리즘을 이용하였다. 모델 개발 과정에서 적절한 예측 알고리즘을 선정하기 위해 세 가지 순환신경망 기반 알고리즘과 배치 사이즈 조절하여 제품 생산단 온도를 예측하기 위한 가장 적저한 모델을 선정하였다. LSTM128 모델이 제품 생산단 온도를 예측하기 위한 가장 적절한 모델로 선정되었다. 선정된 모델을 활용하여 실제 공정 운전데이터에 적용한 결과 RMSE 0.0791, R<sup>2</sup> 0.924의 성능을 보였다. In this study, we developed a machine learning-based model for predicting the production stage temperature of distillation process. It is necessary to predict an accurate temperature for control because the control of the distillation process is done through the production stage temperature. The temperature in distillation process has a nonlinear complex relationship with other variables and time series data, so we used the recurrent neural network algorithms to predict temperature. In the model development process, by adjusting three recurrent neural network based algorithms, and batch size, we selected the most appropriate model for predicting the production stage temperature. LSTM128 was selected as the most appropriate model for predicting the production stage temperature. The prediction performance of selected model for the actual temperature is RMSE of 0.0791 and R<sup>2</sup> of 0.924.
최영렬,권혁원,이예찬,박현도,문일,조형태,김정환 한국공업화학회 2020 한국공업화학회 연구논문 초록집 Vol.2020 No.-
Though the performance of the predictive model depends on how accurate and how much information data have, the raw process data has low information by including noise, outliers, and defects. Therefore, it is necessary to conduct appropriate data pre-processing to improve the performance of the precess data-driven predictive model. In this study, we suggested two outlier detection and one noise filtering for data pre-processing and applied each method with various ranges on the raw process data of the distillation column. Then we evaluated the effect of the pre-processing on the LSTM-based model performance. The statistical methods were used for performance evaluation, and each predictive model was conducted thirty times to confirm the performance and robustness. As an effect on applying the data preprocessing, we found that the model showed more robust prediction results, and the accuracy and precision were increased by 26.16% and 5.26%, respectively.