Resumen

El control adecuado de las columnas de destilación requiere la estimación de algunas variables clave que son difíciles de medir en línea (como las composiciones), que suelen estimarse utilizando modelos inferenciales. Los modelos inferenciales comúnmente utilizados incluyen técnicas de regresión de variables latentes (LVR), como la regresión de componentes principales (PCR), los mínimos cuadrados parciales (PLS) y el análisis de correlación canónica regularizada (RCCA). Por desgracia, los datos prácticos medidos suelen estar contaminados con errores, que degradan la capacidad de predicción de los modelos inferenciales. Por lo tanto, es necesario filtrar las mediciones ruidosas para mejorar la precisión de predicción de estos modelos. El filtrado multiescala ha demostrado ser una potente herramienta de extracción de características. En este trabajo, las ventajas del filtrado multiescala se utilizan para mejorar la precisión de predicción de los modelos LVR mediante el desarrollo de un algoritmo de modelado LVR multiescala integrado (IMSLVR) que integra el modelado y la extracción de características. La idea detrás del algoritmo de modelado IMSLVR es filtrar los datos de proceso en diferentes niveles de descomposición, modelar los datos filtrados de cada nivel, y luego seleccionar el modelo LVR que optimiza un criterio de selección de modelo. El rendimiento del algoritmo IMSLVR desarrollado se ilustra mediante tres ejemplos, uno con datos sintéticos, otro con datos simulados de columna de destilación y otro con datos experimentales de columna de destilación de lecho empacado. Todos los ejemplos demuestran claramente la eficacia del algoritmo IMSLVR frente a los métodos convencionales.

• Materias:Algoritmo iterativo Tipos de compresión Simulación de misiones Análisis de superficie Modelado
• Subjects:Iterative algorithm Types of compression Mission simulation Surface analysis Modeling
• Palabras claves:modelos inferenciales, algoritmo IMSLVR, precisión de predicción, datos de columna de destilación en lecho, potente herramienta de extracción de características, datos de columna de destilación simulados, algoritmo de modelización IMSLVR, análisis de correlación canónica, diferentes niveles de descomposición, LVR multiescala integrado
• Keywords:inferential models, IMSLVR algorithm, prediction accuracy, bed distillation column data, powerful feature extraction tool, simulated distillation column data, IMSLVR modeling algorithm, canonical correlation analysis, different decomposition levels, integrated multiscale LVR