Отправить статью по E-mail 
Метод построения моделей для оценки показателей качества продуктов колонны фракционирования в условиях малого объема данных аналитического контроля
- Авторы: Плотников А.А.1, Штакин Д.В.1, Снегирев О.Ю.1, Торгашов А.Ю.1
-
Учреждения:
- Институт автоматики и процессов управления ДВО РАН
- Выпуск: Том 59, № 2 (2025)
- Страницы: 121-137
- Раздел: Статьи
- Статья опубликована: 15.04.2025
- URL: https://ogarev-online.ru/0040-3571/article/view/308927
- DOI: https://doi.org/10.31857/S0040357125020111
- EDN: https://elibrary.ru/ndwfda
- ID: 308927
Цитировать
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
Рассматривается задача повышения точности моделей для оценки показателей низкотемпературных свойств, показателей воспламеняемости и противоизносных свойств целевых продуктов колонны фракционирования в условиях малого объема данных аналитического контроля. Для решения рассматриваемой задачи предложен метод построения моделей, в составе которого используется алгоритм расширения малой обучающей выборки по данным фракционного состава, отличающийся способом отбора дополнительных данных, учитывающим показатель разреженности, что позволило включить в обучающую выборку недостающее количество данных, и в итоге обеспечить повышение качества модели. Использование предложенного метода позволило повысить точность моделей в среднем на 18% в сравнении с известными методами и в среднем на 6% в сравнении сметодом на основе расширения обучающей выборки без учета показателя разреженности. Результаты представлены на примерах построения моделей показателей качества предельной температуры фильтруемости, температуры вспышки, кинематической вязкости при 40ºC и цетанового числа среднего дистиллята (фракции дизельного топлива) и температуры вспышки керосиновой фракции промышленной колонны фракционирования технологической установки гидрокрекинга.
Об авторах
А. А. Плотников
Институт автоматики и процессов управления ДВО РАНВладивосток, Россия
Д. В. Штакин
Институт автоматики и процессов управления ДВО РАНВладивосток, Россия
О. Ю. Снегирев
Институт автоматики и процессов управления ДВО РАНВладивосток, Россия
А. Ю. Торгашов
Институт автоматики и процессов управления ДВО РАН
Email: torgashov@iacp.dvo.ru
Владивосток, Россия
Список литературы
- Logunov P.L., Shamanin M.V., Kneller D.V., Setin S.P., Shunderyuk M.M.Advanced process control: from a PID loop up to refinery-wide optimization // Autom. & Remote Control. 2020. V. 80. № 10. P. 1929.
- Iplik E., Aslanidou I., Kyprianidis L.Hydrocracking: a perspective towards digitalization // Sustainability. 2020. V. 12. № 17. P. 1.
- Fortuna L., Graziani S., Sicilia M.G.Comparison of soft-sensor design methods for industrial plants using small data sets // IEEE Transactions on Instr. And Meas. 2009. V. 58. № 8. P. 2444.
- Shaikhina T., Khovanova N.A.Handling limited datasets with neural networks in medical applications: a small-data approach // Artificial Intel. In Med. 2016. V. 75. № 1. P. 1.
- Napoli G., Xibilia M.G.Soft Sensor design for a Topping process in the case of small datasets // Comput. & Chem. Eng. 2010. V. 35. № 11. P. 2447.
- Дрейпер Н., Смит Г.Прикладной регрессионный анализ. М.: Финансы и статистика, 1986. С. 73.
- Гаскаров Д.В.,Шаповалов В.И.Малая выборка. М.: Статистика, 1978. С. 19.
- Zhu Q.X., Hou K.R., Chen Z.S., Gao Z.S., Xu Y., He Y.L.Novel virtual sample generation using conditional GAN for developing soft sensor with small data // Eng. Appl. Artif. Intell. 2021. V. 106. № 2.
- Zhang X.H., Xu Y., He Y.L., Zhu Q.X.Novel manifold learning based virtual sample generation for optimizing soft sensor with small data// ISA Transactions. 2021. V. 109. № 1. P. 229.
- Li D.C., Lin L.S., Peng L.J.Improving learning accuracy by using synthetic samples for small datasets with non-linear attribute dependency// Decision Support Syst. 2014. V. 59. № 1. P. 286.
- Samotylova S.A., Torgashov A.Yu.Application of a first principles mathematical model of a mass-transfer technological process to improve the accuracy of the estimation of the end product quality// Theor. Found.Chem. Eng. 2022. V. 56. № 3. P. 371. [Самотылова С.А., Торгашов А.Ю.Применение физически обоснованной математической модели массообменного технологического процесса для повышения точности оценивания качества конечного продукта// Теорет. основы хим. технологии. 2022. Т. 56. № 3. С. 371.]
- Bai X., Li S.A virtual sample generation method based on manifold learning and a generative adversarial network for soft sensor models with limited data // J. of the Taiwan Inst. of Chem. Eng. 2023. V. 151. № 3.
- Liu Y., Xie M.Rebooting data-driven soft-sensors in process industries: a review of kernel methods// J. of Proc. Control. 2020. V. 89. № 4. P. 58.
- He Y.L., Hua Q., Zhu Q.H., Lu S.Enhanced virtual sample generation based on manifold features: applications to developing soft sensor using small data // ISA Transactions. 2021. V. 126. № 4. P. 1.
- Zhu Q.X., Chen Z.S., Zhang X.H., Rajabifard A., Xu Y., Chen Y.Q.Dealing with small sample size problems in process industry using virtual sample generation: a kriging-based approach// Soft Computing. 2020. V. 24. № 1. P. 6889.
- Dinkov R., Stratiev D.Investigation on diesel cold flow properties// Proc. 45th International Petroleum Conf. Bratislava, 2011. P. 1.
- Vrablik A., Velvarska R., Stepanek K., Psenicka M., Hidalgo J.M., Cerny R.Rapid models for predicting the low-temperature behavior of diesel// Chem. Eng. Technology. 2019. V. 42. № 7. P. 735.
- Aleme H.G., Barbeira P.J.S.Determination of flash point and cetane index in diesel using distillation curves and multivariate calibration// Fuel. 2019. V. 102. № 1. P. 129.
- Gorenkov A.F., Lifanova T.A., Klyuchko I.G.Influence of jet fuel distillation range on quality indexes// Chem. & Technology of Fuels & Oils. 1985. V. 21. № 8. P. 37. [Горенков А.Ф., Лифанова Т.А., Кличко И.Г.Влияние диапазона перегонки реактивного топлива на показатели качества // Химия и Техн. Топлив и Масел. 1985. Т. 21. № 8. С. 37.]
- Aleme H.G., Assuncao R.A., Carvalho M.M.O., Barbeira P.J.S.Determination of specific gravity and kinematic viscosity of diesel using distillation curves and multivariate calibration// Fuel Processing Techn. 2012. V. 102. № 1. P. 90.
- Shepherd J.E., Nyut C.D., Lee J.J.Flash point and chemical composition of aviation kerosene (Jet A)// Explosion Dynamics Laboratory Report FM99-4. 1999.P. 1.
- Штакин Д.В., Снегирев О.Ю., Торгашов А.Ю.Метод построения виртуальных анализаторов в условиях малой обучающей выборки для управления качеством целевых продуктов фракционатора установки гидрокрекинга// Автоматизация в пром. 2024. Т. 22. № 6. С. 7.
- Dumuochel W., O’Brien F.Integrating a robust option into a multiple regression computing environment// Comp. and graphics in statistics. 1992. P. 41.
- Cybenko G.Approximation by superpositions of a sigmoidal function// Math. of Control, Signals & Systems. 1989. V. 2. № 1. P. 303.
- Bylesjo M., Rantalainen M., Nicholson J.K., Holmes E., Trygg J.K-OPLS package: Kernel-based orthogonal projections to latent structures for prediction and interpretation in feature space// BioMed Central. 2008. V. 9. № 1. P. 1.
- Holland P.W., Welsch R.E.Robust regression using iteratively reweighted least-squares// Communic. in Statistics – Theory & Methods. 1977. V. 6. № 9. P. 813.
- Rantalainen M., Bylesjo M., Cloarec O., Nicholson J.K., Holmes E., Trygg J.Kernel-based orthogonal projections to latent structures (K-OPLS)// J. of Chemometrics. 2007. V. 21. № 7–9. P. 376.
- Hayrettin O.Bayesian regularized neural networks for smallnbigpdata// Artif. Neural Net. – Models & Appl. 2016. P. 27.
- Prak D.L., Cooke J., Dickerson T., McDaniel A., Cowart J.Cetane number, derived cetane number, and cetane index: when correlations fail to predict combustibility// Fuel. 2021. V. 289. № 12. P. 1.
Дополнительные файлы
