Resumen

Los sensores blandos basados en datos se utilizan ampliamente para predecir los índices de calidad en los procesos de polimerización de propileno con el fin de mejorar la disponibilidad de las mediciones y la eficiencia. Para hacer frente a la no linealidad y a la dinámica de los procesos de polimerización del propileno, en este artículo se propone un nuevo sensor blando basado en el análisis de características lentas relevantes para la calidad y en la regresión bayesiana. El método propuesto puede manejar mejor la dinámica del proceso extrayendo características lentas relevantes para la calidad, que presentan tanto la característica de variación lenta como las correlaciones con los índices de calidad. Mientras tanto, se desarrolla un modelo de inferencia bayesiano para predecir los índices de calidad, que aprovecha las ventajas de un marco probabilístico con técnicas iterativas de máxima verosimilitud para la estimación de parámetros y una restricción dispersa para evitar el sobreajuste. Por último, se realiza un estudio de caso con datos muestreados de un proceso industrial práctico de polimerización de propileno para demostrar la eficacia y superioridad del método propuesto.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:procesos de polimerización de propileno, índices de calidad, técnicas iterativas de máxima verosimilitud, proceso industrial práctico de polimerización de propileno, análisis de características lentas relevantes, modelo de inferencia bayesiano, sensor blando novedoso, características lentas relevantes, dinámica, método
• Keywords:propylene polymerization processes, quality indices, iterative maximum likelihood techniques, practical industrial propylene polymerization process, relevant slow feature analysis, bayesian inference model, novel soft sensor, relevant slow features, dynamics, method