基于机器学习的化学磺化过程自动化探索
机器学习
2020-09-28 v1 信号处理
摘要
如今，工业过程的持续改进与自动化已成为诸多领域的关键因素，化学工业亦不例外。这体现为资源更高效利用、生产时间缩短、产出质量提升以及废弃物减少。鉴于当今工业过程的复杂性，若不借助信息技术与分析手段，对其监测与优化已不可行。近年来，机器学习方法已被用于过程自动化与决策支持，其均建立在持续分析所产生海量数据的基础之上。本文给出了在化学磺化过程中应用机器学习方法的结果，旨在将目前人工完成的产品质量分析自动化。我们利用过程参数数据训练了包括随机森林、神经网络与线性回归在内的不同模型，以预测产品质量值。实验表明，以较好精度预测这些产品质量值是可行的，从而具备缩短时间的潜力。具体而言，随机森林取得了最佳结果，其平均绝对误差为 0.089，相关系数为 0.978。
引用
@article{arxiv.2009.12125,
title = {Towards the Automation of a Chemical Sulphonation Process with Machine Learning},
author = {Enrique Garcia-Ceja and Åsmund Hugo and Brice Morin and Per-Olav Hansen and Espen Martinsen and An Ngoc Lam and Øystein Haugen},
journal= {arXiv preprint arXiv:2009.12125},
year = {2020}
}
备注
Published in: 2019 7th International Conference on Control, Mechatronics and Automation (ICCMA)