Hisztorikus folyamat-adatok szegmentálása fuzzy csoportosítási algoritmus segítségével

Szerzők

  • Feil Balázs University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O.Box 158. , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8200 Veszprém, Pf. 158.
  • Abonyi János University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O.Box 158. , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8200 Veszprém, Pf. 158. https://orcid.org/0000-0001-8593-1493 (unauthenticated)
  • Németh Sándor University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O.Box 158. , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8200 Veszprém, Pf. 158. https://orcid.org/0000-0003-1881-4216 (unauthenticated)
  • Árva Péter University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O.Box 158. , Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8200 Veszprém, Pf. 158.

Kulcsszavak:

adatelemzés, csoportosítás, folyamat irányítás, fuzzy modellek, idősorok

Absztrakt

A modern folyamatirányító számítógépek által rögzített hatalmas adathalmaz a folyamat modellezésében, és a modellen keresztül a folyamat irányításában és fejlesztésében is hasznos lehet. E komplex kérdéskörön belül, az ipari technológiák állandósult üzemeltetéséhez tartozó állapotváltozók közti kapcsolatok elemzéséhez elengedhetetlenül szükséges eszköz fejlesztésével foglalkozunk. Egy adekvát stacioner összefüggéseket leíró modell felállításához szükség van az adatsorok azon értékeinek kiválasztására, amelyekről biztosan állíthatjuk, hogy ok-okozati kapcsolatban vannak egymással, pl. melyek alapján meg lehet határozni, hogy a termékminőséget milyen állapotváltozó- értékek eredményezték. Mivel a működő technológiai rendszerekben sok mért állapotváltozó nyomonkövetése szükséges, olyan eszköz kell, amely lehetővé teszi sok párhuzamos idősor szimultán elemzését és szegmentálását. E feladat megoldására egy fuzzy csoportosítási algoritmust alkalmazó módszert javaslunk, mely zajjal szemben nem érzékeny és képes a csoportok számát automatikusan meghatározni. A megoldás alapgondolata, hogy a vizsgálandó idősor adott pontja helyett a pontot transzformált változók segítségével a környezetével közösen jellemezzük, majd ezek között a transzformált változók között keresünk hasonlóságot az említett csoportosítási algoritmus segítségével. Az általunk kifejlesztett eszközt egy nagysűrűségű polietiléngy ár (TVK Rt.) mért állapotváltozóinak elemzésében alkalmaztuk.

Információk a szerzőről

  • Abonyi János, University of Veszprém, Department of Process Engineering, H-8201 Veszprém, P.O.Box 158., Veszprémi Egyetem, Folyamatmérnöki Tanszék, 8200 Veszprém, Pf. 158.

    levelezőszerző
    abonyij@fmt.vein.hu

Hivatkozások

Abonyi J., Feil B., Szeifert, F. (2002). 7th Online World Conference on Soft Computing in Industrial Applications. Determining the Model Order of Nonlinear Input – Output System by Fuzzy Clustering.

Abonyi J., Babuska, R., Feil, B. (2003). Structure Selection for Nonlinear Input–Output Models Based on Fuzzy Cluster Analysis. The IEEE International Conference on Fuzzy Systems, St. Louis, MO, USA. https://doi.org/10.1109/FUZZ.2003.1209408

Alander, J. T., Frisk, M., Holmstöm, L., Hämäläinen, A., Tuominen, J. (1991). Process error detection using self-organizing feature maps, In Artificial Neural Networks, II., 1229–1232. North-Holland. https://doi.org/10.1016/B978-0-444-89178-5.50058-0

Ayres, C. A. (1986). Loop reactor setting leg system for preparation…, US 4. 613. 484.

Baldwin, J. F., Martin T. P., Rossiter, J. M. (1998.) Time Series Modelling and Prediction using Fuzzy Trend Information. Proceedings of Fifth International Conference on Soft Computing and Information/Intelligent Systems, 499–502.

Brandrup, J., Imergut, E. H. (1975). Polymer Handbook (Second edition) Joch Wiley & Sons Inc. Canada.

Doymaz, F., Chen, J., Romagnoli, J. A., Palayoglu, A. (2001). A Robust Strategy for Real-Time Process Monitoring. Journal of Process Control, 11(4), 343–359. https://doi.org/10.1016/S0959-1524(00)00004-4

Feil, B. (2001). Nemlineáris bemenet-kimenet modellek rendűségének meghatározása csoportosítási algoritmus segítségével. Veszprémi Egyetem, Intézményi TDK.

Fujiwara T., and Nishitani, H. (1994). Abstraction of Operating Data on the Episode Map. Proceedings of the 1st Asian Control Conference (ASCC94), 725–728.

Gertler, J. (1988). Survey of Model-Based Failure Detection and Isolation in Complex Plants, IEEE Control Systems Magazine, December. https://doi.org/10.1109/37.9163

Goser, T. K. (1991). Self - Organizing Feature maps for process control in chemistry. In Artificial Neural Networks, 847–852. North-Holland.

Goutte, C., Toft, P., Rostup, E., Nielsen F.Å., Hansen, L. K. (1998). On Clustering fMRI Time Series, NeuroImage, 9(3), 298–310. https://doi.org/10.1006/nimg.1998.0391

Harris, T., Kohonen, T. (1993). SOM based machine health monitoring systems which enables diagnosis of faults not seen in the training set. In Proc. of the Int. Conf. On Neural Networks (IJCNN`93), Nagoya, Japan, I., 947–950. https://doi.org/10.1109/IJCNN.1993.714067

Huang, S-H., Qian, S-H., Shao, H-H. (1995). Human-Machine Cooperative Control for Ethylene Production, Artificial Intelligence in Engineering, 9(3), 203–209. https://doi.org/10.1016/0954-1810(95)00007-6

Kalafszki, L., Budai, G. (1999). A polietilén II., Magyar Kémikusok Lapja, 2. 70–81.

Kassalin, M., Kangas, J., Simula, O. (1992). Process state monitoring using self-organizing maps, In Artificial Neural Networks, II., 1531–1534. North-Holland. https://doi.org/10.1016/B978-0-444-89488-5.50152-4

Keogh, E., Chu, S., Hart D., Pazzani, M. (2001). An Online Algorithm for Segmenting Time Series, IEEE International Conference on Data Mining.

Kivikunnas, S. (1998). Overview of Process Trend Analysis Methods and Applications. ERUDIT Workshop on Applications in Pulp and Paper Industry.

Kohonen, T. (1990). The Self-Organizing Map, Proceedings of the IEEE, 78(9), 1464–1480. https://doi.org/10.1109/5.58325

Kosanovich K. A., Piosovo, M. J. (1997). A Dynamical Supervisor Strategy for Multi-Product Processes, Computers & Chemical Engineering, 21(Suppl.), 149–154. https://doi.org/10.1016/S0098-1354(97)87494-7

Lakshminarayanan, S., Fujii, H., Grosman, B., Dassau, E., Lewin, D.R. (2000). New product design via analysis of historical databases. Computers and Chemical Engineering, 24(2–7), 671–676. https://doi.org/10.1016/S0098-1354(00)00406-3

Lane, S., Martin, E. B., Kooijmans, R., Morris, A. J. (2001). Performance Monitoring of a Multi-Product Semi-batch Process. Journal of Process Control, 11(1), 1–11. https://doi.org/10.1016/S0959-1524(99)00063-3

Last, M., Klein Y., Kandel, A. (2000). Knowledge Discovery in Time Series Databases, IEEE Transactions on Systems, Man, and Cybernetics, Part B, 31(1), 160–169. https://doi.org/10.1109/3477.907576

Lindheim C., Kristian Lien, M. (1997). Operator Support Systems for New Kinds of Process Operation Work. Computers & Chemical Engineering, 21(Suppl.), S113–S118. https://doi.org/10.1016/S0098-1354(97)87488-1

MacGregor, J. F., Kourti, T. (1995). Statistical process control of multivariate processes. Control Eng. Practice, 3(3), 403–414. https://doi.org/10.1016/0967-0661(95)00014-L

Meketta, J. J. (1992). Encyclopedia of Chemical Processing & Design, Marcel Delker Inc., New York.

Mishitani, H. (1996). Human-Computer Interaction in the New Process Technology. Journal of Process Control, 6(2–3), 111–117. https://doi.org/10.1016/0959-1524(96)86053-7

Pal, N. R. (1999). Soft computing for feature analysis, Fuzzy Sets and Systems, 103(2), 201–221. https://doi.org/10.1016/S0165-0114(98)00222-X

Principe J. C., Wang L., Motter, M. A. (1998). Local Dynamic Modleing with Self- Organizing Maps and Applications to Nonlinear System Identification and Control. Proceedings of the IEEE, 86(11), 2241–2258. https://doi.org/10.1109/5.726789

Redman, J. (1991). Polyethylene, The Chemical Engineer, Sep. 26. 26–29.

Stephanopoulos G., and Han, C. (1995). Intelligent Systems in Process Engineering: A Review, May 11.

Wang, X. Z. (1999). Data Mining and Knowledge Discovery for Process Monitoring and Control, Springer. https://doi.org/10.1007/978-1-4471-0421-6

Wong, J. C., McDonald J. C. K., Palazoglu, A. (1998). Classification of process trends based on fuzzified symbolic representation and hidden Markov models, J of Process Control, 8(5–6), 395–408. https://doi.org/10.1016/S0959-1524(98)00008-0

Letöltések

Megjelent

2003-10-15

Folyóirat szám

Évf. 7 szám 3 (2003): Acta Agraria Kaposváriensis

Rovat

Cikkek

License

Copyright (c) 2003 Feil Balázs, Abonyi János, Németh Sándor, Árva Péter

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Hogyan kell idézni

Feil, B., Abonyi, J., Németh, S., & Árva, P. (2003). Hisztorikus folyamat-adatok szegmentálása fuzzy csoportosítási algoritmus segítségével. Acta Agraria Kaposváriensis, 7(3), 69-86. https://journal.uni-mate.hu/index.php/aak/article/view/1663

Ugyanannak a szerző(k)nek a legtöbbet olvasott cikkei

1 2 > >>