hrvatski

Nelinearni PLS zasnovan na RBF neuronskoj mreži

Procesne veličine koje nose informaciju o kvaliteti izlaznog proizvoda često nisu mjerljive. Iznos takvih teško-mjerljivih veličina određuje se njihovom estimacijom, za što je potrebno raspolagati modelom procesa. Izgradnja modela procesa na pogonskim podacima primjenom regresijskih metoda temeljenih na linearnom preslikavanju ulaznog prostora u latentni prostor daje dobre rezultate samo kada su odnosi u procesu blago nelinearni. No, kako u većini praktičnih situacija to nije zadovoljeno, potrebno je iznaći način kako ove metode proširiti na nelinearno modeliranje. Jedan od načina je da se za preslikavanje u latentni prostor koristi nelinearna funkcija. U ovom radu analizira se nelinearna metoda izgradnje modela procesa na temelju pogonskih podataka dobivena hibridizacijom PLS metode preslikavanja u latentni prostor i RBF neuronske mreže. Detaljno je prikazan osnovni NIPALS algoritam, te njegova modifikacija kojom se omogućuje integracija RBF mreža unutar okvira linearnog PLS-a. Ovom metodom izgrađen je nelinearni model procesa destilacije nafte, te su ispitana njegova svojstva u usporedbi s modelima izgrađenim uobičajenim metodama.

estimacija teško-mjerljive veličine; modeliranje procesa; preslikavanje u latentni prostor; nelinearno modeliranje procesa; RBF neuronske mreže; nelinearni PLS

nije evidentirano