ارايه روش تركيبي پيش پردازش داده‌ها در ماشين بردار رگرسيون جهت پيش‌بيني كيفيت گازوييل پالايش شده

An Integrated Method of Data Pre-processing in Support Vector Regression for the Quality Prediction of Treated Gas-oil

از آنجا كه دقت داده‌اي اندازه گيري شده فرآيندي در پيش‌بيني كيفيت محصولات بسيار مهم است، در اين تحقيق بر روي پيش پردازش داده‌ها تمركز گرديد. براي اين منظور حسگر مجازي براي تعيين كيفيت گازوييل خروجي از پايلوت تصفيه هيدروژني طراحي شد. طراحي حسگر مجازي بر اساس يكي از روش‌هاي جديد يادگيري ماشين به نام ماشين‌بردار رگرسيون انجام گرديد. براي پيش پردازش داده‌ها از تكنيك تركيبي به صورت پشت سر هم متشكل از آناليز موجك و كوانتيزاسيون‌برداري به منظور حذف خطاهاي تصادفي، متراكم‌سازي داده‌ها و چشم‌پوشي از داده‌هايي كه شباهت كمتري به ساير داده‌ها دارند، استفاده گرديد. روش‌هاي متفاوتي از آناليز موجك براي حذف خطاهاي تصادفي به كار برده شد و بهترين روش انتخاب گرديد. آزمايشات حذف خطاهاي تصادفي با استفاده از آناليز موجك با تابع پايه هار و دابيچز و با الگوريتم‌هاي انتخاب آستانه Heursure ،Rigrsure Minimaxi و Sqtwolog انجام شد. مقايسه نتايج نشان داد كه روش Db4 به همراه روش آستانه‌گيري Rigrsure بهترين نتايج حذف خطا را به دنبال دارد. با استفاده از اين روش مقدار عددي AARE و RMSE نسبت به انواع ديگر تابع موجك بهتر است. همچنين، معيار عملكردي AARE براي سنجش دقت پيش‌بيني مدل ماشين بردار رگرسيون استفاده گرديد. مقدار AARE برابر 053/0 به دست آمد كه نشان‌دهنده دقت بالاي مدل در پيش‌بيني غلظت گوگرد خروجي از رآكتور مي‌باشد.

The accuracy of the measured data is very important for better quality prediction by soft sensors. In order to determine the quality of the treated gas oil, a soft sensor is designed. The soft sensor design is based on a new machine learning technique called support vector regression (SVR). An integrated technique was developed for data preprocessing. In this technique, wavelet analysis and vector quantization were being used sequentially for random error elimination, data compression, and unusual data omitting. Different methods of wavelet analysis were used to remove the random errors and the best method was selected. Random errors were deleted using Harr and Daubechies basis function where Rigrsure, Minimaxi, Heursure, and Sqtwolog were the threshold algorithms. The results showed that the db4 basis function with Rigrsure threshold algorithms provided the best results for error removal. AARE and RMSE for this method was better than the other types of wavelet functions. Additionally, the results of SVR training based on the pilot plant data showed AARE of 0.053. This showed the high accuracy of the SVR model for predicting treated gas oil quality.