Browsing by Author "Clementi, Luis Alberto"

Filter results by typing the first few letters
Now showing 1 - 6 of 6
  • Thumbnail Image
    Item
    An adaptive soft sensor for on-line monitoring the mass conversion in the emulsion copolymerization of the continuous SBR process
    (Macromolecular Reaction Engineering, 2023) Sanseverinatti, Carlos Ignacio; Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge Rubén
    Soft sensors (SS) are of importance in monitoring polymerization processes because numerous production and quality variables cannot be measured online. Adaptive SSs are of interest to maintain accurate estimations under disturbances and changes in operating points. This study proposes an adaptive SS to online estimate the mass conversion in the emulsion copolymerization required for the production of Styrene-Butadiene rubber (SBR). The SS includes a bias term calculated from sporadic laboratory measurements. Typically, the bias is updated every time a new laboratory report becomes available, but this strategy leads to unnecessarily frequent bias updates. The SS includes a statistic-based tool to avoid unnecessary bias updates and reduce the variability of the bias with respect to classical approaches. A control chart (CC) for individual determinations combined with an algorithmic Cusum is used to monitor the statistical stability of the average prediction error. The adaptive SS enables a bias update only when a loss of said statistical stability is detected. Several bias update methods are tested on a simulated industrial train of reactors for the latex production in the SBR process. The best results are obtained by combining the proposed CC-based approach with a previously developed Bayesian bias update strategy.
  • Thumbnail Image
    Item
    Autocodificador recurrente para detectar fallas en un tren de reactores de polimerización
    (VII ARGENCON, 2024) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge Rubén
    La tarea de detectar, identificar y diagnosticar fallas en procesos industriales es de vital importancia para evitar un control deficiente del proceso, desperdicios de materia prima, pérdidas económicas por problemas de calidad en el producto final, etc. En consecuencia, la detección temprana y el diagnóstico preciso de las fallas resultan cruciales para reencausar el proceso y minimizar el impacto de las mismas. En este trabajo se desarrolla un módulo de detección de fallas, que incluye una interpretación de las fallas para facilitar su identificación y diagnóstico. El módulo se desarrolla en particular para un proceso de producción de látex para caucho estireno-butadieno, obtenido mediante un proceso continuo, el cual es susceptible de sufrir una amplia diversidad de fallas de distintas características. La metodología propuesta requiere para el ajuste del modelo únicamente datos del proceso en estado normal de operación, evitando así la compleja tarea de obtener un conjunto de datos representativo de todas las posibles fallas del proceso. Al tratarse de un proceso complejo, dinámico, no lineal y con muchas variables medidas, se adopta una metodología basada en autocodificadores recurrentes. Los resultados muestran en general un desempeño aceptable del modelo obtenido. Aquellas fallas que difieren significativamente de la distribución de probabilidades del estado normal de operación de la planta son detectadas eficazmente. Por otra parte, en algunos casos se observa un retardo u omisión temporal en la detección de las fallas. Esto se atribuye a la pequeña magnitud de algunas fallas, las cuales no se diferencian significativamente respecto a un estado normal de operación.
  • Thumbnail Image
    Item
    Classifier algorithms for tuning multi-model soft sensors : application to the estimation of quality variables in a continuous industrial process
    (WCCE11, 2023) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Sanseverinatti, Carlos Ignacio; Vega, Jorge Rubén
    In this work, a multi-model soft sensor (SS) is proposed to estimate non-measurable variables in continuous processes. The proposed approach involves a first stage of clustering, using Gaussian mixture models, to identify the clusters that represent the multiple working conditions of the process. Then, for each identified cluster, multivariate linear regression sub-models are calibrated. Finally, the required non-measurable variable is estimated through a linear combination of the estimations from each sub-model. The weight coefficients for each sub-model are calculated using a classification algorithm. The performance of four different classification algorithms is evaluated in terms of the capability of their resulting multi-model soft sensor to estimate the mass conversion in a numerical simulation of a continuous emulsion polymerization for industrial production of Styrene-Butadiene Rubber. The results showed that the classifier model plays an important role in the multi-model soft sensor performance. Furthermore, a multi-model soft sensor that assigns the weights through Gaussian mixture models performs better than cases where a multi-layer perceptron, a linear discriminant analysis, or a K-nearest neighbors are used.
  • Thumbnail Image
    Item
    Estimación de variable de calidad en un tren de reactores continuo utilizando soft-sensors basados en redes neuronales recurrentes
    (XX RPIC, 2023) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge Rubén
    La producción industrial de caucho SBR (Styrene-Butadiene Rubber) utiliza un tren de reactores tanque agitados continuos para la obtención de un látex. En esa etapa, es importante contar con estimaciones en tiempo real de algunas variables en el último reactor del tren, a efectos de lograr productos de calidad con buen nivel de producción. Los soft sensors (SS) son una alternativa adecuada para cumplir con esta tarea, en comparación con las estimaciones típicamente brindadas por laboratorios analíticos y analizadores en línea. El proceso incluye dinámicas complejas y múltiples modos de operación, resultando necesario el uso de SS capaces de capturar esas características. En este trabajo, se propone el desarrollo de un SS basado en redes neuronales recurrentes para estimar la conversión másica del látex a la salida del tren de reactores. La selección de la ventana temporal necesaria para efectuar las estimaciones se basa en un análisis de correlaciones cruzadas y una búsqueda por grilla. Por otra parte, el modelo que conformará al SS se selecciona a través de una exploración de distintas arquitecturas y sus espacios de hiperparámetros. Los resultados de simulación muestran que la adopción de una red neuronal recurrente basada en GRU (Gated Recurrent Unit) y una ventana temporal de 800 minutos exhibe el mejor desempeño para estimar la variable de interés.
  • Thumbnail Image
    Item
    Sensor inferencial ensamblado basado en máquina de soporte vectorial : monitoreo de la conversión en un tren de reactores continuos
    (AADECA - 28º Congreso Argentino de Control Automático, 2023) Sanseverinatti, Carlos Ignacio; Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge Rubén
    Un Sensor Inferencial (SI) es una herramienta utilizada para estimar variables de calidad no medibles a partir de la medición de variables medibles. Si bien existen muchas alternativas para la implementación de un SI, la combinación o ensamble de dos o más SIs puede conducir a un desempeño mejorado y a una mayor robustez. En el presente trabajo, se diseña e implementa un SI ensamblado adaptativo con el objetivo de monitorear en-línea la conversión de monómeros en un tren de reactores continuos utilizado para la producción de caucho Estireno-Butadieno (SBR). El SI ensamblado se construye combinando tres algoritmos de regresión de soporte vectorial (SVR), cada uno implementado mediante máquinas Kernel de diferente naturaleza. Cada SVR incluye un término de ajuste por sesgo como metodología de adaptación. En primer lugar, se implementaron y calibraron los SVR individuales mediante un conjunto de datos de entrenamiento. Luego, se plantearon dos SI ensamblados mediante diferentes metodologías de combinación. El desempeño de los SI ensamblados propuestos se estudió en términos de la capacidad para estimar en línea la conversión másica de polímero en una simulación del proceso continuo de producción de caucho SBR. La validación de ensamble se realizó para dos casos simulados: el proceso en estado estacionario y el proceso frente a una perturbación de offset en un sensor. Los resultados, basados en indicadores de error de predicción, error máximo, y desvío estándar del error, muestran que el ensamble es más robusto y exacto que cualquiera de los SI individuales.
  • Thumbnail Image
    Item
    Soft sensor basado en redes neuronales recurrentes : aplicación al monitoreo de la producción de caucho nitrilo
    (XL MECOM, 2024) Perdomo, Mariano Miguel; Clementi, Luis Alberto; Vega, Jorge Rubén
    En Argentina, el caucho nitrilo (NBR) se produce a partir de una polimerización en emulsión en un reactor batch. La medición de variables de calidad del polímero (por ejemplo, con analizadores en línea o en laboratorio) no asegura un monitoreo adecuado de la reacción. En este trabajo se desarrolla un soft-sensor (SS) para estimar en tiempo real algunas variables de calidad del producto. La complejidad reside en las dinámicas altamente no-lineales involucradas en el proceso. Por ello, el SS propuesto utiliza redes neuronales recurrentes. La evaluación de la herramienta de estimación se realiza a través de un simulador numérico del proceso NBR ajustado a la planta industrial. Las estimaciones obtenidas en distintos escenarios de operación del reactor son promisorias. El SS podría ser implementado en la planta industrial en forma sencilla.