Publicação

Semi-Supervised Learning and Feature Ranking/Selection Techniques Applied to Soft Sensor Modeling

Detalhes bibliográficos
Resumo:	Sensores virtuais são modelos inferenciais baseados em software que usam variáveis de processo (disponíveis através de sensores), também conhecidas como variáveis “fáceis de medir”, para estimar o valor de variáveis de qualidade (variáveis “difíceis de medir”), que não podem ser facilmente medidas, ou o seu processo de medição tem um alto custo associado (p.e. apenas pode ser feito esporadicamente, ou com atrasos temporais elevados). Os processos industriais estão geralmente equipados com um elevado número de sensores, medindo uma grande variedade de quantidades diferentes (p.e. temperatura, fluxo, abertura de válvulas, etc), disponíveis em tempo real a uma frequência constante. No entanto, em algumas circunstâncias, o valor das variáveis de qualidade só pode ser obtido através de análises laboratoriais, levando a uma frequência de medição não-fixa e atrasos temporais substanciais. Estes problemas podem levar a degradação de qualidade do produto final. Os sensores virtuais podem, nestes casos, possibilitar um maior grau de controlabilidade do processo através da disponibilização de estimações precisas dessas variáveis de qualidade.A frequência de amostragem significativamente elevada das variáveis “fáceis de medir” quando comparada com a das variáveis “difíceis de medir” leva a que muitas amostras sejam descartadas na etapa de obtenção e filtragem de dados da modelação de sensores virtuais. Isto acontece já que a maior parte dos modelos usam abordagens de aprendizagem supervisionada, nas quais apenas as amostras com respetiva “label” (i.e. amostras para as quais as variáveis de processo têm correspondentes variáveis de qualidade) são usadas no processo de treino. Abordagens de aprendizagem semi-supervisionada, no entanto, usam tanto amostras com e sem “label” no processo de treino. Nesta dissertação, um método semi-supervisionado baseado em aprendizagem usando múltiplas “views”, “co-regularized least squares regression (coRLSR)”, é implementado, usando também dados sem “label” para melhorar o desempenho de previsão.Outra etapa muito importante na modelação de sensores virtuais é a seleção de “features”. O elevado número de sensores numa planta de produção leva a um elevado número de possíveis “features” de entrada, aumentando a complexidade global do problema de regressão. Na maior parte dos casos, muitas “features” apresentam correlações com outras, e o uso de todas para treino do modelo pode causar a deterioração do desempenho de previsão. De facto, a maior parte do trabalho de pesquisa científica neste tópico sugere que, em muitos casos, poucas “features” são precisas para estimação suficientemente precisa. As abordagens descritas na literatura para classificação e seleção de “features” partilham um grau relativamente elevado de complexidade, que pode tornar o seu uso proibitivo em cenários em que o desempenho temporal é importante. Um método geral para classificação de “features” baseado em análise de sensibilidade é proposto nesta dissertação, de modo a que, de forma eficiente, a relevância de cada “feature” seja calculada sem a necessidade de retreinar o modelo.Os testes foram efetuados num processo real de polimerização, de forma a avaliar ambas as técnicas de aprendizagem semi-supervisionada e de classificação/seleção de “features”. Os resultados mostraram que o modelo de regressão semi-supervisionada foi competitivo com os métodos de aprendizagem supervisionada mais populares de sensores virtuais quando nenhum procedimento de seleção de “features” foi efetuado. No entanto, usando o procedimento de seleção de “features”, o método de regressão semi-supervisionada implementado não ultrapassou as alternativas supervisionadas em desempenho de predição. Por outro lado, o procedimento de classificação e seleção de “features” proposto aumentou substancialmente o desempenho de predição de todos os modelos de regressão estudados. Para além disso, o conhecimento obtido pela classificação de “features” permite um subsequente aumento de desempenho de predição, quando usado explorando a natureza de múltiplas “views” do método coRLSR.
Autores principais:	Ferreira, Vasco da Silva
Assunto:	Sensores Virtuais Inteligência Computacional Aprendizagem Semi-Supervisionada Classificação de Features Seleção de Features Soft Sensors Computational Intelligence Semi-Supervised Learning Feature Ranking Feature Selection
Ano:	2017
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade de Coimbra
Idioma:	inglês
Origem:	Estudo Geral - Universidade de Coimbra

Descrição
Resumo:	Sensores virtuais são modelos inferenciais baseados em software que usam variáveis de processo (disponíveis através de sensores), também conhecidas como variáveis “fáceis de medir”, para estimar o valor de variáveis de qualidade (variáveis “difíceis de medir”), que não podem ser facilmente medidas, ou o seu processo de medição tem um alto custo associado (p.e. apenas pode ser feito esporadicamente, ou com atrasos temporais elevados). Os processos industriais estão geralmente equipados com um elevado número de sensores, medindo uma grande variedade de quantidades diferentes (p.e. temperatura, fluxo, abertura de válvulas, etc), disponíveis em tempo real a uma frequência constante. No entanto, em algumas circunstâncias, o valor das variáveis de qualidade só pode ser obtido através de análises laboratoriais, levando a uma frequência de medição não-fixa e atrasos temporais substanciais. Estes problemas podem levar a degradação de qualidade do produto final. Os sensores virtuais podem, nestes casos, possibilitar um maior grau de controlabilidade do processo através da disponibilização de estimações precisas dessas variáveis de qualidade.A frequência de amostragem significativamente elevada das variáveis “fáceis de medir” quando comparada com a das variáveis “difíceis de medir” leva a que muitas amostras sejam descartadas na etapa de obtenção e filtragem de dados da modelação de sensores virtuais. Isto acontece já que a maior parte dos modelos usam abordagens de aprendizagem supervisionada, nas quais apenas as amostras com respetiva “label” (i.e. amostras para as quais as variáveis de processo têm correspondentes variáveis de qualidade) são usadas no processo de treino. Abordagens de aprendizagem semi-supervisionada, no entanto, usam tanto amostras com e sem “label” no processo de treino. Nesta dissertação, um método semi-supervisionado baseado em aprendizagem usando múltiplas “views”, “co-regularized least squares regression (coRLSR)”, é implementado, usando também dados sem “label” para melhorar o desempenho de previsão.Outra etapa muito importante na modelação de sensores virtuais é a seleção de “features”. O elevado número de sensores numa planta de produção leva a um elevado número de possíveis “features” de entrada, aumentando a complexidade global do problema de regressão. Na maior parte dos casos, muitas “features” apresentam correlações com outras, e o uso de todas para treino do modelo pode causar a deterioração do desempenho de previsão. De facto, a maior parte do trabalho de pesquisa científica neste tópico sugere que, em muitos casos, poucas “features” são precisas para estimação suficientemente precisa. As abordagens descritas na literatura para classificação e seleção de “features” partilham um grau relativamente elevado de complexidade, que pode tornar o seu uso proibitivo em cenários em que o desempenho temporal é importante. Um método geral para classificação de “features” baseado em análise de sensibilidade é proposto nesta dissertação, de modo a que, de forma eficiente, a relevância de cada “feature” seja calculada sem a necessidade de retreinar o modelo.Os testes foram efetuados num processo real de polimerização, de forma a avaliar ambas as técnicas de aprendizagem semi-supervisionada e de classificação/seleção de “features”. Os resultados mostraram que o modelo de regressão semi-supervisionada foi competitivo com os métodos de aprendizagem supervisionada mais populares de sensores virtuais quando nenhum procedimento de seleção de “features” foi efetuado. No entanto, usando o procedimento de seleção de “features”, o método de regressão semi-supervisionada implementado não ultrapassou as alternativas supervisionadas em desempenho de predição. Por outro lado, o procedimento de classificação e seleção de “features” proposto aumentou substancialmente o desempenho de predição de todos os modelos de regressão estudados. Para além disso, o conhecimento obtido pela classificação de “features” permite um subsequente aumento de desempenho de predição, quando usado explorando a natureza de múltiplas “views” do método coRLSR.

Atividades financiadas

Não foram encontrados projetos financiados.