Publicaciones en Congresos, Conferencias y Jornadas

Permanent URI for this collectionhttp://48.217.138.120/handle/20.500.12272/535

Browse

Author: search.filters.author.Perdomo, Mariano MiguelSubject: search.filters.subject.Soft sensor

Search Results

Now showing 1 - 2 of 2
  • 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.