Abstract:
در این مقاله با ارایه نمونه عملی فرآیند اسپری درایینگ،متدولوژی مدلسازی فرآیندها با استفاده سلسله مراتبی از تحلیل رگرسیونی و الگوریتم شبکه عصبی مصنوعی،با هدف کنترل پیشبینانه کیفیت،برای نخستین بار تشریح و پیادهسازی شده است.استفاده از ANNs در این مقاله،به منظور معماری مدل عصبی فرآیند اسپری درایینگ با اتخاذ یک رویکرد عمومی و انتخاب الگوریتم پسانتشار خطا به کمک دادههای مستقیم است.فرض تاثیر مثبت اعمال تحلیل رگرسیونی بر ارتقا پایانی مدل عصبی،با محاسبه و تحلیل شاخصهای ارزیابی پایانی مدل که عبارتند از:ضریب تعیین (R 2) ،میانگین خطای نسبی (MRE) و جذر میانگین مربعات خطا (RMSE) ،برای مدل عصبی و مدل عصبی-آماری(مدل عصبی با اعمال تحلیل رگرسیونی)تایید شد.در انتها با توجه به نتایج ارزیابی پایانی،سناریوهای مختلفی برای تنظیم ورودیهای فرآیند توسط مدل عصبی- آماری فرآیند طراحی شد که با استفاده از آن میتوان کنترل پیشبینانه را جایگزین روشهای مبتنی بر سعی و خطا برای کنترل فرآیند کرد.
This is the first attempt at process modeling in terms of predictive control using a hierachical method based on regression analysis and Artificial
Neural Networks (ANNs). This hierachical method leads to the reliability improvement of neural model of the process in predicting ( extrapolation and interpolation) the process output. Such an outlook makes it possible to predict the proper input settings which can achieve a desired process output by designing various scenarios for process set up. This approach is
applied to tile industry for spray drying process and in order to determine the amount of improvement, two models (i)Neural model of process taking general approach using Multilayer Perceptron based on Back Propagation algorithm and (ii)Mixed-regression neural model of process taking focus approach in architecture of neural model are designed to evaluate the reliability of prediction of spray drying process output via three criteria. These criteria include mean relative error, root mean squre error and coefficient of determination. The results indicate that the Mixed regression-neural model leads to the best results in prediction (extrapolation and interpolation) of spray drying process output.
Machine summary:
قابلیت اطمینان بالا در حذف و تشخیص نوسانات غیر تصادفی در دادهها[18]،توانایی در کشف اثرات متقابل بین متغیرها[9]،صرفهجویی اقتصادی قابل توجه در بهکارگیری،فراغت از مفروضات و قیود دستوپاگیر مدلهای کلاسیک[24]و توانایی کاهش تاثیر متغیرهای غیرموثر بر مدل از طریق تنظیم پارامترهای داخلی[4]،از جمله ویژگیهایی است که موجب شده است تا این الگوریتم فراابتکاری را بر دیگر روشهای کلاسیک مدلسازی و پیشبینی از جمله رگرسیون برتری دهد.
در مدلسازی عصبی-آماری فرایند در ابتدا با توجه به نتایج تحلیل رگرسیون،مقدار متغیر o?T با استفاده از الگوریتم sNNA برآورد شده و سپس مقادیر برآوردشده o?T و مقادیر اندازهگیریشده ?P و همچنین مقادیر ni ?T ، P P و s P به مدل ارایه میشود.
معیارهای مناسبت برازش مدلهای عصبی و عصبی-آماری فرآیند اسپری درایینگ و نتایج کسبشده در لحظه توقف آموزش مطابق با نگاره شماره(3) ارایه شده است.
به منظور کنترل پیشبینانه کیفیت با استفاده از خروجیهای مدل عصبی-آماری فرایند اسپری درایینگ سناریوهای مختلفی برای تنظیم ورودیهای فرآیند،در دامنهای گسترده از دامنه نرمال تغییرات متغیرها،در قالب نمودار شماره(6)ارایه شده است،همانگونه که در این نمودار مشاهده میشود،مقادیر 3 S درحالیکه ?P در دامنه 66.
7. نتیجهگیری در این مقاله سعی شد تا از طریق موردکاوری(فرآیند اسپری درایینگ)،مراحل معماری مدل عصبی فرآیند با استفاده از شبکه PLM براساس PB با اتخاذ رویکرد عمومی در مدلسازی و همچنین مدل عصبی-آماری فرآیند با اتخاذ رویکرد متمرکز در مدل عصبی با توجه به نتایج تحلیل رگرسیونی،تشریح گردد و پس از برازش مدل با استفاده از دادههای 28 تایی ارزیابی،نسبت به ارزیابی پایایی مدلها اقدام شود.