Resumen

Las técnicas de sensores blandos se han adoptado ampliamente en la industria química para estimar índices importantes que no pueden medirse en línea mediante sensores de hardware. Desgraciadamente, debido a la variación temporal del instinto, la condición de muestra pequeña y la incertidumbre causada por la deriva de las materias primas, es excesivamente difícil modelar los procesos de lotes alimentados, por ejemplo, el proceso de mezcla interna del caucho. Mientras tanto, los algoritmos tradicionales de aprendizaje global adolecen de las muestras obsoletas, mientras que los algoritmos de aprendizaje en línea carecen de practicidad, ya que se requieren demasiadas muestras etiquetadas del lote actual para construir el sensor suave. En este trabajo, se presenta la regresión kernel local híbrida semisupervisada (SHLKR) para aprovechar tanto las muestras históricas como las online para modelar de forma semisupervisada el sensor blando utilizando las series de ventanas temporales propuestas. Además, se deducen las fórmulas recursivas para mejorar su adaptabilidad y viabilidad. Además, se implementa el sensor blando de goma Mooney de procesamiento de mezcla interna utilizando datos reales in situ para validar el método propuesto. En comparación con los algoritmos clásicos, se evalúa el rendimiento de SHLKR y se discute la contribución de las muestras no etiquetadas.

• Materias:Biopolímeros Industria del caucho Caucho Hidrogeles
• Subjects:Biopolymers caucho industry Rubber Hydrogels
• Palabras claves:procesamiento de la mezcla interna, sensor suave, regresión de núcleo local, muchas muestras etiquetadas, algoritmo de aprendizaje en línea, técnicas de sensor suave, datos reales in situ, algoritmo de aprendizaje global, rendimiento de shlkr, industria química
• Keywords:internal mixing processing, soft sensor, local kernel regression, many labelled sample, online learning algorithm, soft sensor techniques, real onsite data, global learning algorithm, performance of shlkr, chemical industry