KR20100083765A - 가스 방출의 경험적 앙상블 기반 가상 감지를 위한 시스템 및 방법 - Google Patents

가스 방출의 경험적 앙상블 기반 가상 감지를 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20100083765A
KR20100083765A KR1020107005786A KR20107005786A KR20100083765A KR 20100083765 A KR20100083765 A KR 20100083765A KR 1020107005786 A KR1020107005786 A KR 1020107005786A KR 20107005786 A KR20107005786 A KR 20107005786A KR 20100083765 A KR20100083765 A KR 20100083765A
Authority
KR
South Korea
Prior art keywords
virtual sensor
signal
empirical
gas
sensor system
Prior art date
Application number
KR1020107005786A
Other languages
English (en)
Inventor
다비데 로베르소
Original Assignee
인스티튜트 포 에너지테크니크
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인스티튜트 포 에너지테크니크 filed Critical 인스티튜트 포 에너지테크니크
Publication of KR20100083765A publication Critical patent/KR20100083765A/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N9/00—Electrical control of exhaust gas treating apparatus
    • F01N9/005—Electrical control of exhaust gas treating apparatus using models instead of sensors to determine operating characteristics of exhaust systems, e.g. calculating catalyst temperature instead of measuring it directly
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Feedback Control In General (AREA)

Abstract

연소 공정(CP)으로부터 얻어지는 가스량(G)의 추정치를 위한 경험적 앙상블 기반 가상 센서 시스템(VS)은 2개 이상의 경험적 모델(NN1, NN2, ..., NNn)들을 포함한다. 가스량(G)은 각각의 경험적 모델(NN1, NN2, ..., NNn)에서 추정되고, 조합 펑션(f)은 각각의 개별의 경험적 모델(y1, y2, ..., ym)로부터의 추정된 가스량보다 더 정확한 가스량(G)을 위하여 결합된 추정치를 제공하도록 경험적 모델(NN1, NN2, ..., NNn)들로부터의 결과들을 결합시킨다. 가상 센서 시스템(VS)의 전체 실행결과는 경험적 모델(y1, y2, ..., ym)들의 개수를 증가시킴으로써 증가될 수 있다.

Description

가스 방출의 경험적 앙상블 기반 가상 감지를 위한 시스템 및 방법{SYSTEM AND METHOD FOR EMPIRICAL ENSEMBLE-BASED VIRTUAL SENSING OF GAS EMISSION}
본 발명은 경험적 앙상블 기반 가상 감지를 위한 방법 및 시스템에 관한 것이고, 특히 연소 공정으로부터의 NOx, CO2 등과 같은 방출을 측정하는 가스 센서를 위한 방법 및 시스템에 관한 것이다.
NOx는 연소 동안 생성되는 단-질소 산화물(mono-nitrogen oxides)(NO 및 NO2)을 위한 일반적인 용어이다. NOx는 연소 공기에서 발견된 이가의(diatomic) 질소의 고온 산화를 통해 형성될 수 있다. 또한, 특정한 석탄 및 오일과 같은 질소 관련 연료(nitrogen-bearing fuel)의 연소는 NOx로의 질소 결합된 연료(fuel bound nitrogen)의 변환을 초래한다.
대기중의 NOx는 결국에 질산을 생성하고, 이것은 산성비를 초래한다. 1997년에 54개국에 의해 비준된 도쿄 의정서는 온실 가스로서 NO2를 분류하고, 고덴버그 의정서(Gothenburg Protocol)라고 칭해진 장거리 국경이동 공기 오염물질에 대한 협약을 이행하는 바와 같이, NO2의 방출에서의 세계적인 감소를 요구한다.
결과적으로 NOx 방출은 많은 나라에서 예를 들어 1992년 이래로 조절되고 있고, 예를 들어, 2007년 이래로, 스웨덴에서는 연소 플랜트로부터의 NOx 방출에 대한 부과금이 존재하고, 노르웨이에서는 모든 NOx 방출에 대한 전반적인 요금이 존재한다. 또한, 프랑스 및 이탈리아에서는 요금이 부가는 반면에, 예를 들어 미국에서는 NOx 예산 허가의 시스템이 존재한다.
따라서, 소정의 플랜트 또는 연소 공정으로부터 배출되는 NOx의 양을 측정하는 것이 필요하다. 그러나, 예를 들어, 고온 및 매연을 갖는 가혹한 작업 환경으로 인하여 양호한 센서를 개발하는 것이 문제가 된다. 필요로 하는 감지도는 높고, 전형적으로 NO의 레벨이 100-2,000 ppm 부근이고, NO2는 20-200 ppm이며, 가스 유동으로부터 냉각과 같은 다양한 소스의 에러가 존재한다.
유사한 고려사항에 기초하여, 탄소 및 황의 산화물과 같은 다른 가스를 측정하는 것이 또한 필요하다.
일반적으로, 이용가능한 도구가 측정하기에 적절하지 못한 상태의 범위가 존재하고, [바이오콤프 시스템스, 인크.(BioComp Systems, Inc.)에 의해 웹페이지 http://www.biocompsystems.com/technology/virtualsensors/index.htm 25.07.2008에서 초기에 제안한 바와 같이] 다음의 목록이 가장 공통적인 것으로 명명된다.
1. 해당 물리량이 온라인으로 측정되지 못한다. 전형적인 케이스는 샘플이 분석을 위해 실험실로 주기적으로 보내지는 경우이다. 이들은 환경적 방출, 제품 품질 또는 공정 조건을 제어하도록 분석되는 공기, 물, 오일 또는 재료 샘플일 수 있다.
2. 이용가능한 물리적 센서는 특히 자동 제어에서 사용하기에 너무 느리다.
3. 물리적 센서는 아주 멀리 하류에 있으며, 예를 들어, 최종 제품이 생산 편향을 검출하도록 연속적으로 모니터링 되지만, 이러한 정보는 정정 작동을 수행하기에는 너무 늦다.
4. 물리적 센서는 너무 비싸다.
5. 물리적 센서를 설치하는 수단이 존재하지 않으며, 예를 들어, 물리적 공간이 없다.
6. 센서 환경이 너무 적대적이다.
7. 물리적 센서는 부정확하다. 이용가능한 물리적 센서는 본질적인 부정확성을 가질 수 있거나 등급이 떨어질 수 있다. 벤투리 유동계(Venturi flow-meter)에서의 스케일링이 전형적인 예이다.
8. 물리적 센서는 유지 비용이 비싸다.
소프트 또는 프록시 감지로서 또한 알려진 가상 감지 기술은 비용이 많이 들거나 비실용적인 물리적 측정 장치 및 센서 시스템에 대한 가능하고 경제적인 대안을 제공하도록 사용된 소프트웨어 기반 기술이다. 가상 감지 시스템은 해당 양의 추정을 계산하도록 다른 온라인 측정 및 공정 파라미터로부터 이용가능한 정보를 이용한다.
다양한 가상 감지 기술이 이용가능하고 다음과 같은 두 개의 주요 카테고리로 분류될 수 있다.
■ 분석적 기술
■ 경험적 기술
분석적 기술은 다른 이용가능한 측정 및 파라미터에 의해 해당 양의 관계를 결정하는 물리적 법칙의 근사에 대한 측정 추정의 계산을 기초로 한다.
"제1 원리" 모델에 기초한 분석적 기술을 이용하는 중요 이점은 물리적으로 측정 불가능한 양의 계산이 내장된 물리적 모델 방정식으로부터 도출될 수 있는 경우에 물리적으로 측정 불가능한 양의 계산이 허용된다는 점이다.
분석적 접근의 주요 단점은 효율적이기 위해서 정확한 정량적인 수학적 모델을 요구한다는 점이다. 대규모의 시스템에 있어서, 이러한 정보는 이용가능하지 않을 수 있거나 비용이 너무 많이 들 수 있고 컴파일하기에 시간이 많이 소모된다. 또한, 만약 변화가 플랜트 또는 공정에 변화가 이루어진다면, 엔지니어링 작업은 물리적 모델을 업데이트하여 변형시킬 필요가 있다. 모델링 도구들이 이러한 모델 구성 및 유지 활동을 지지하도록 이용가능하지만, 공정 전문가들은 업데이트된 모델을 유지할 필요가 있다.
경험적 기술은, 동일한 양의 이용가능한 이력적 측정 데이터에 대해 그리고, 다른 이용가능한 측정치 및 파라미터들과의 상관 관계에 대해 측정 추정의 계산을 기초로 한다. 미측정된 양의 이력적 데이터는 임시로 설치된 센서 시스템에 의한 실제 측정 캠페인으로부터, 실험실 분석의 기록으로부터, 또는 온라인으로 실행하기에는 연산적으로 너무 비싼 복잡한 분석 모델에 의한 상세한 추정으로부터 도출될 수 있다. 후자는 측정할 수 없는 양을 추정하도록 경험적 가상 센서를 개발하기를 원하는 경우에만 가능한 선택이고, 그를 위해 이용가능한 이력적 데이터는 명백하게 존재하지 않는다.
경험적 가상 감지는 다음과 같이 다양한 정적 또는 기계 학습 모델링 방법을 이용하여 실행될 수 있는 함수 근사 및 회귀 기술에 기초한다.
선형 회귀(linear regression)[엔.알 드라퍼(N.R. Draper) 및 에이치. 스미스(H. Smith)에 의한, 1998년, 가능성 및 통계학에서의 윌레이 시리즈(Wiley Series in Probability and Statistics)에서, "적용된 회귀 분석(Applied Regression Analysis)" 참조].
가중 최소 자승 회귀(weighted least squares regression)[에이. 브조르크(A. Bjorck)에 의한, 1996년, 캠브리지에서, "최소 자승 문제를 위한 수치 방법(Numerical Methods for Least Squares Problems)" 참조].
커넬 회귀(Kernel regression)[제이.에스. 사이몬오프(J.S. Simonoff)에 의한, 1996년, 스프링거(Springer)에서, "통계학에서의 평활 방법들(Smoothing Methods in Statistics)" 참조].
회귀 트리들(regression trees)[엘 브레이맨(L. Breiman), 제이. 프리드맨(J. Friedman), 알. 에이. 올쉔(R. A. Olshen) 및 씨. 제이. 스톤(C. J. Stone)에 의한, 1984년, 와드스워스(Wadsworth)에서, "분류 및 회귀 트리들(Classification and regression trees) 참조].
지지 벡터 회귀(Support Vector regression)[에이치. 드럭커(H. Drucker), 씨.제이.씨. 버게스(C.J.C. Burges), 엘. 카우프맨(L. Kaufman), 에이. 스몰라(A. Smola) 및 브이. 밥닉(V. Vapnik)에 의한, 엔아이피에스(NIPS) 1997년, MIT 출판부, 155-161 페이지에서, "지지 벡터 회귀 기계류(Support Vector Regression Machines)" 참조].
신경 네트워크 회귀(Neural Network regression)[제이. 헤르츠(J. Hertz), 에이. 크로프(A. Krogh) 및 알. 팔머(R. Palmer)에 의한, 1991년, 캘리포니아주 레드우드 시티(Redwood City)에 소재하는 애디슨 웨슬리(Addison-Wesley)의, "신경 연산의 이론에 대한 소개(Introduction to the Theory of Neural Computation)" 참조].
데이터-가동 모델링으로서 또한 알려진 경험적 모델링은 작동 데이터로부터 공정의 전개를 추정하고 상태를 분석하도록 사용된 한 세트의 기술들을 커버한다. 이것은 공정의 상세한 물리적 이해를 요구하지 않거나 재료 특성, 외형, 및 플랜트 및 그 구성요소의 다른 특성의 지식을 요구하지 않는 장점을 갖고, 그 양쪽 모두에는 실제의 실용적 케이스가 종종 부족하게 된다.
밑줄친 공정 모델은 '학습(learning)'으로서 종종 언급되는 과정을 통해 일반적인 선형 또는 비선형 모델에 측정되거나 시뮬레이션된 플랜트 데이터를 피팅함으로써 식별된다. 이 학습 공정은 능동적일 수 있거나 수동적일 수 있고, 모델 내로의 공정 변화들 사이의 관계의 식별 및 매립을 포함한다. 능동 학습 공정은 경사도 기반 파라미터 조정부를 통해 에러 함수를 최소화시키는 반복 공정을 포함한다. 수동 학습 공정은 수학적 반복을 요구하지 않고 단지 트레이닝 매트릭스 내로 대표적인 데이터 벡터들을 컴파일링하는 것으로 구성된다.
경험적 모델을 설계하는데 중요한 고려사항은 트레이닝 데이터가 정확한 추정이 요구될 수 있는 조건의 예를 제공해야만 한다는 점이다. 다시 말하면, 모든 가능한 조건들이 트레이닝 데이터 내에 존재해야만 하지만, 이들 조건들의 적절한 적용범위를 제공해야한다는 점이다. 경험적 모델은 보간법적 추정을 제공할 수 있지만, 트레이닝 데이터는 충분히 정확하게 되도록 이러한 추정을 위하여 보간 영역 위 및 아래에서 적절한 적용범위를 제공해야만 한다. 정확한 외삽, 즉 트레이닝 데이터의 외부에 있는 데이터를 위한 추정을 제공하는 것은 대부분의 경험적 모델들에 대하여 불가능할 수 있거나 신뢰할 수 없다.
경험적 모델은 동일하거나 유사한 작동 조건들에 적용되는 경우에만 신뢰가능하게 정확하고, 작동 조건들 하에서 모델을 개발하도록 사용된 데이터가 수집된다. 플랜트 조건 또는 작동이 현저하게 변화될 때, 모델은 학습 공간 외부에 외삽하도록 강제되고, 결과들은 신뢰성이 낮게 될 것이다. 알려진 선형 방식으로 외삽하는 선형 모델과 달리, 비선형 모델은 알려지지 않은 방식으로 외삽하기 때문에, 이러한 관찰은 비선형 경험적 모델에 대해 특히 사실이다. 인공 신경 네트워크 및 국소적 다항식 회귀 모델은 양쪽 모두 비선형인 반면에, 주요 요소 분석 기술 및 부분 최소 자승과 같은 변환계 기술은 선형 기술이다. 심지어 선형 모델이 사용되는 경우에도, 측정된 공정 변화들 사이의 순수 선형 관계들의 존재가 예상되지 않기 때문에, 외삽이 경험적 모델을 위해 추천되지 않는다. 또한, 공정에 대한 선형 근사는, 이들 극한 영역 내의 트레이닝 데이터의 밀도가 매우 낮거나 존재하지 않기 때문에, 외삽 동안 덜 유효하다.
인공 신경 네트워크 모델[제이. 헤르츠, 에이. 크로프 및 알. 팔머 라는 발명자들에 의한, 1991년, 캘리포니아주 레드우드 시티에 소재하는 애디슨 웨슬리의, "신경 연산의 이론에 대한 소개" 참조]은 비선형 합계 장치(non-linear summing device)로서 작동하는 단순한 연산 노드의 층들을 포함한다. 이들 노드들은 가중된 연결 라인들과 고도로 상호연결되고, 이들 가중은 트레이닝 데이터가 트레이닝 공정 동안 신경 네트워크에 나타나는 경우에 조정된다. 성공적으로 트레이닝된 신경 네트워크는 다양한 임무를 수행할 수 있고, 가장 공통적인 것은 출력값, 분류, 함수 근사 및 패턴 인식의 예측이다.
연결 가중치의 연관 설정을 갖는 신경 네트워크의 층들만이 합리적인 프로세싱 층으로서 인식될 것이다. 신경 네트워크의 입력층은 가중치의 연관 설정을 가지지 못하기 때문에 진정한 프로세싱 층이 아니다. 다른 한편으로, 출력층은 관련 가중치의 설정을 갖는다. 따라서, 신경 네트워크 내의 많은 층들을 기술하기 위한 가장 효율적인 전문용어는 은닉층(hidden layer)이라는 용어의 사용을 통해서이다. 은닉층은 출력층을 제외한 합리적인 층이다.
신경 네트워크 구조는 다수의 은닉층 및 출력층으로 구성된다. 신경 네트워크의 연산적 능력은, 단일 비선형 은닉층을 갖는 신경 네트워크가 충분한 개수의 은닉 노드를 갖는 어느 임의의 비선형 함수에 근사할 수 있다고 기술하는 일반 함수 근사 정리에 의해 증명된다.
신경 네트워크 트레이닝 공정은 작은 임의의 개수에 대한 가중치의 초기설정으로 시작한다. 네트워크는 흔히 목표로서 칭해진 대응하는 양호한 출력치와 입력 벡터의 세트로 구성하는 트레이닝 데이터로 나타낸다. 신경 네트워크 트레이닝 공정은, 입력 벡터/목표 쌍들의 특정 세트가 주어진 상태로, 네트워크 출력치가 양호한 값에 근접해지도록 내부 가중치의 반복 조정이다. 가중치는 네트워크가 양호한 출력치를 계산할 수 있다는 가능성을 증가시키도록 조정된다. 트레이닝 공정은 네트워크의 출력값과 양호한 출력값 사이에서 평균 자승 에러(MSE)를 최소화하도록 시도한다. MSE 기능의 최소화가 가장 공통적인 접근에 의해 이루어지고, 다른 에러 함수가 이용될 수 있다.
신경 네트워크는 산업 장비로부터의 공정 데이터를 모니터링하기 위하여 패턴 인식 문제에 적용될 수 있는 강력한 도구이다. 신경 네트워크는 비선형 시스템을 모니터링하고 복잡한 데이터 세트에서 잘못된 패턴을 인식하는데 아주 적합하다. 반복적인 트레이닝 공정으로 인하여, 신경 네트워크 모델을 트레이닝하도록 요구된 연산적 효과는 경험적 모델의 다른 형태를 위한 것보다 크다. 이에 따라, 연산적 요건은 다른 경험적 모델 형태를 위한 것보다 전형적으로 더욱 제한되는 모델 크기에 대한 상부 한정을 초래한다.
위원회 모델링(committee modelling)으로서 알려진 앙상블 모델링[티.지. 디에터리히(T.G. Dietterich)(이디.(ed.))에 의한, 2000년, 영국 런던에 소재하는 스프링거-버라그(Springer-Verlag)의, 컴퓨터 사이언스의 강의 노트 볼륨 1857의, "기계 학습에서의 앙상블 방법(Ensemble Method in Machine Learning)" 참조]은, 단일 예측 모델을 구성하는 대신에, 한 세트의 요소 모델이 개발되어 그들의 독립적 예측들이 단일 집합된 예측을 생성하도록 결합된 기술이다. (앙상블로서 칭해진) 생성된 결합 모델은 단일 요소 모델들보다 대체로 더욱 정확하고, 오버피팅 현상에 대해 더욱 견고해지는 경향이 있고, 훨씬 감소된 변형을 갖고, 서브 최적 모델 트레이닝 과정과 때때로 관련된 불안정성 문제를 회피한다.
앙상블에서, 각각의 모델은 대체로 개별적으로 트레이닝되고, 각각의 요소 모델의 예측된 출력치는 앙상블의 출력치를 생성하도록 결합된다. 그러나, 여러 개의 모델의 출력치를 결합하는 것은 그들의 예측들 사이에 "불일치"의 형태로 존재하는 경우에만 유용하다[엠. 피. 페로네(M. P. Perrone) 및 엘. 엔. 쿠퍼(L. N. Cooper)에 의한, 1992년, 미국의 국립 과학 기초(national Science Fundation)의, "네트워크들이 불일치하는 경우: 하이브리드 신경 네트워크를 위한 앙상블 방법(When networks disagree: ensemble methods for hybrid neural networks)" 참조]. 명백하게, 동일한 모델들의 결합은 실행 결과를 얻을 수 없다. 공통적으로 채택된 하나의 방법은 이른바 배깅(bagging) 방법이고[엘. 브레이맨(L. Breiman)에 의한, 1996년, 기계류 학습, 24(2), 123-140 페이지의, '배깅 예측기들(bagging Predictors)" 참조], 이것은 각각의 모델이 만나는 트레이닝 세트를 변화시킴으로써 모델들 사이에 불일치를 발생시키려 한다. 배깅은 트레이닝 세트의 임의의 샘플링 상의 각각의 모델을 트레이닝함으로써 그의 앙상블에 대한 개체들을 발생시키는 앙상블 방법이고, 최종 예측을 형성하는데 있어서, 요소 모델의 각각에 동등한 가중치를 준다. 앙상블 발생 및 요소 모델 회귀를 위한 나머지의 더욱 정교한 설계들이 존재하고, 새로운 것들이 고안될 수 있다. 전체 모델 변형을 감소시키기 위한 앙상블의 사용은 균등화 방법에 의해 밀접한 관계를 갖고[에이.브이. 그리복(A.V. Gribok), 제이.더블유. 히네스(J.W. Hines), 에이. 우르마노프(A. Urmanov) 및 알.이. 우리그(R.E. Uhrig)에 의한, 2002년, 윌레이의, 지능 시스템의 국제 저널, 17(8), 723-750페이지의, "공정 모니터링을 위한 발견적, 시스템적 및 정보적 균등화(Heuristic, Systematic, and Informational Regularization for Process Monitoring)" 참조], 이는 악성 문제를 회피하고 과도한 모델 변형에 걸쳐 유사한 제어를 달성하도록 신경 네트워크 모델 및 그들의 구조의 트레이닝을 강제한다.
"센서 밸리데이션을 갖는 가상 연속 방출 모니터링 시스템(Virtual continuous emission monitoring system with sensor validation)"이라는 제목으로 허여된 미국 특허 제5,386,373호는, 플랜트 작동을 제어하기 위해서, 신경 네트워크에 기초하여, 방출용 가상 센서의 사용을 교시한다.
"가상 센서를 이용하는 NOx 방출 제어 시스템(NOx emission-control system using a virtual sensor)"이라는 제목으로 허여된 미국 특허 제6,882,929호는, 엔진의 작동을 제어하기 위해서, 신경 네트워크에 기초하여, 방출용 가상 센서의 사용을 교시한다.
"로깅 데이터를 잘 처리하기 위한 신경 네트워크 앙상블의 발생 알고리즘 기반 선택(Genetic algorithm based selection of neural network ensemble for processing well logging data)"이라는 제목으로 허여된 미국 특허 제7,280,987호는 양호한 맞춤 함수값을 갖는 앙상블을 선택하기 위해서 다목적 맞춤 함수를 갖는 알고리즘을 이용하여, 지구물리학적 데이터를 처리하기 위한 신경 네트워크 앙상블을 발생시키는 방법을 교시한다.
가상 감지는 NOx와 다른 가스를 측정하기 위한 매력적인 해결책이지만, 위에 참조한 시스템들보다 더욱 정확하게, 더욱 견고하게 그리고 더욱 안정되게 더 간단히 실행되는 가상 감지를 위한 시스템이 필요하다.
본 발명은 앙상블 모델링과 경험적 모델링의 조합에 의한 가스 감지에 적합한 가상 센서의 정밀도, 견고성, 안정성 및 단순성의 문제를 해결한다.
일 실시예에서, 본 발명은,
- 연소 공정으로부터의 경험적 데이터를 이용하여 트레이닝 되도록 각각 배치되고, 연소 공정의 하나 이상의 센서로부터 하나 이상의 신호 입력값을 수용하기 위하여 그리고 신호 입력값에 기초하여 가스량을 나타내는 신호 출력값을 계산하기 위하여 또한 배치된 2개 이상의 경험적 모델들과,
- 신호 출력값을 수용하고, 상기 신호 출력값의 함수로서 가스량을 나타내는 가상 센서 출력값을 연속적으로 계산하기 위하여 배치된 조합 펑션을 포함하는,
연소 공정으로부터 얻어지는 가스량의 추정을 위한 앙상블 기반 가상 센서 시스템이다.
일 실시예에서, 본 발명은,
- 연소 공정으로부터의 경험적 데이터로 경험적 모델들의 앙상블을 트레이닝하는 단계와,
- 트레이닝된 경험적 모델에 연소 공정의 하나 이상의 센서로부터의 하나 이상의 신호 입력값을 공급하는 단계와,
- 신호 입력값에 기초한 경험적 모델에서 신호 출력값의 계산을 수행하는 단계와,
- 신호 출력값들을 연속적으로 결합시키고 신호 출력값의 함수로서 가스량을 나타내는 가상 센서 출력값을 계산하는 단계를 포함하는,
하나 이상의 센서로부터의 하나 이상의 신호 입력값으로부터 연소 공정으로부터 얻어지는 가스량의 추정을 위한 방법이다.
본 발명의 실시예에서, 조합 펑션(f)은 신호 출력값(y1, y2, ..., ym)의 평균값으로 가상 센서 출력값(yR)을 연속적으로 계산하기 위해 배치된다. 평균값은 신호 출력값(y1, y2, ..., ym)의 기하학적 또는 산술학적 평균값 또는 중앙값으로 계산될 수 있다.
또한, 실행하기에 용이한 평균 계산은 단일 노드 가상 센서에 의해 가능하지 않을 수 있는 요구된 정확성을 달성할 수 있게 한다는 것을 보여준다.
본 발명의 실시예에서, 모든 경험적 모듈 또는 내부 노드는 동일한 구조를 가질 수 있다. 이 세트는 요구된 개수의 내부 노드가 템플릿 노드에 기초한 가상 센서 시스템에서 간단히 실증될 수 있는 이점을 갖는다. 또한, 노드들 모두는 연소 공정의 센서로부터의 동일 세트의 신호 입력값을 수용하기 위해 배치될 수 있다. 센서로부터의 신호는 모든 노드들에 배분되고, 특정 케이스를 핸들링하는 여분의 작업이 회피된다.
본 발명에 따른 가상 센서 시스템의 정밀성은 상당수의 경험적 모델들을 실증함으로써 증가할 수 있다. 따라서, 정밀성을 증가시키기 위해서 시스템의 복잡성을 증가시킬 필요는 없다. 앙상블의 크기를 증가시킴으로써 더 좋은 결과를 간단히 얻는 이러한 방식은, 예를 들어, 앙상블의 선택을 강조하는 다른 방법들과 다르다.
도 1은 본 발명에 따른 가상 센서 시스템의 실시예의 블록도를 도시한다.
도 2는 50개의 개별 추정치(얇은 선), 실제값(굵은 점선) 및 앙상블 출력치(ensemble output)(굵은 실선) 사이의 비교의 그래프를 도시한다.
도 3은 앙상블 크기가 우측으로 증가하는 상태로 NOx를 측정하는 본 발명에 따른 가상 센서 시스템의 실시예의 실행결과를 ppm 단위로 도시한다.
도 4는 장비 교정(equipment calibration)을 도시한다.
도 5는 본 발명의 실시예에 따른 NOx 측정을 위한 입력 파라미터 및 값을 도시한다.
도 6은 10개의 입력치에 대한 시험 데이터 상의 PEMS(예측 방출 모니터링 시스템) 실행결과를 도시한다.
도 7은 8개의 입력치에 대한 시험 데이터에 대한 PEMS 실행결과를 도시한다.
도 8은 728개의 개별 출력치(빨간색), 실제값(녹색) 및 앙상블 출력치(파란색) 사이의 비교를 도시한다.
도 9는 본 발명에 따른 가상 센서 시스템의 실시예에서의 앙상블에 대한 평균 절대 에러(MAE)를 도시한다.
도 10은 가상 센서 시스템이 본 발명의 실시예에 따라 어떻게 연관될 수 있는지를 도시한다.
도 1은 본 발명에 따른 연소 공정(CP)에서 얻어지는 가스량(G)을 측정하도록 사용된 가상 센서 시스템의 실시예의 블록도이다.
본 발명의 실시예에서, 연소 공정(CP)으로부터 얻어지는 가스량(G)의 추정을 위한 앙상블 기반 가상 센서 시스템(VS)은, 각각의 경험적 모델(NN1, NN2, ..., NNn)이 가스량(G)을 추정하기 위하여 배치되는 2개 이상의 경험적 모델(NN1, NN2, ..., NNn)과, 각각의 개별의 경험적 모델(NN1, NN2, ..., NNn)로부터의 신호 출력값(y1, y2, ..., ym)보다 더 정확한 가스량(G)의 추정을 제공하도록 경험적 모델(NN1, NN2, ..., NNn)로부터의 결과들을 결합시키기 위해 배치되는 조합 펑션(f)을 포함한다. 당업자에게 이해되는 바와 같이, 가스량(G)은 농도 또는 질량 방출로서 나타낼 수 있다. 측정 대상이 되는, 연소 공정에서 생성된 가스의 예는 NOx, CO2, O2 등이다. 그러나, 당업자에게 이해되는 바와 같이, 본 발명은 다른 공정으로부터의 다른 가스의 양을 측정하도록 사용될 수 있다.
더욱 구체적으로, 본 발명의 이러한 실시예에서, 각각의 경험적 모델(NN1, NN2, ..., NNn)은 연소 공정(CP)으로부터의 경험적 데이터(ED)를 이용하여 트레이닝 되도록 배치된다. 본 발명의 실시예에서, 경험적 데이터는 가상 센서 시스템(VS)이 배치되어 있는 연소 공정(CP)으로부터의 이력적 측정 데이터이다. 측정되지 않은 분량의 경험적 데이터(ED)는, 도 1에 도시된 바와 같은 고정 센서들(S1, S2, ..., Sm)과의 조합하여 센서 값(IA 및 IB)들을 갖는 임시로 설치된 센서 시스템들(SA 및 SB)에 의한 실제 측정 캠페인으로부터, 실험실 분석의 기록들로부터, 또는 온라인으로 가동하기에는 계산적으로 너무 비싼 복잡한 분석 모델에 의한 상세한 추정치로부터 도출될 수 있다. 그러나, 트레이닝 데이터는 당업자에게 이해될 수 있는 바와 같이 다른 유사한 공정들로부터 이루어질 수 있다. 트레이닝 데이터는 모든 경험적 모델(NN1, NN2, ..., NNn)에 대해서 동일할 수 있거나 다를 수 있으며, 예를 들어, 모든 공정 측정치들이 각각의 경험적 모델(NN1, NN2, ..., NNn)의 트레이닝 데이터에 포함되는 것은 아니다. 이것은 경험적 모델(NN1, NN2, ..., NNn)들 사이에서 차이점을 제공하는 하나의 방식이다. 또한, 당업자에 의해 이해될 수 있는 바와 같이, 그들은 다른 초기설정 파라미터들을 설정함으로써 다르게 초기설정될 수 있다.
각각의 경험적 모델은, 연소 공정(CP)의 하나 이상의 센서(S1, S2, ..., Sm)로부터 하나 이상의 신호 입력값(I1, I2, ..., Im)을 수용하기 위하여, 그리고 신호 입력값(I1, I2, ..., Im)에 기초한 신호 출력값(y1, y2, ..., ym)을 계산하기 위하여 추가로 배치되며, 각각의 경험적 모델(NN1, NN2, ..., NNn)로부터의 신호 출력값(y1, y2, ..., ym)은 상기 가스량(G)을 나타낸다. 또한, 가상 센서 시스템(VS)은, 각각의 경험적 모델로부터 신호 출력값(y1, y2, ..., ym)을 수용하고 신호 출력값(y1, y2, ..., ym)의 함수로서 가상 센서 출력값(yR)을 연속적으로 계산하기 위하여 배치된 조합 펑션(f)을 포함하며, 가상 센서 출력값(yR)은 가스량(G)을 나타낸다.
하나의 실시예에서, 본 발명은 하나 이상의 센서(S1, S2, ..., Sm)로부터의 하나 이상의 신호 입력값(I1, I2, ..., Im)으로부터 연소 공정(CP)으로부터 얻어지는 가스량(G)의 추정하기 위한 방법이다. 이 방법은 다음의 단계들, 즉,
- 연소 공정(CP)으로부터의 경험적 데이터로 앙상블의 경험적 모델(NN1, NN2, ..., NNn)의 앙상블을 트레이닝하는 단계와,
- 트레이닝된 경험적 모델(NN1, NN2, ..., NNn)에 연소 공정(CP)의 하나 이상의 센서(S1, S2, ..., Sm)로부터의 하나 이상의 신호 입력값(I1, I2, ..., Im)을 공급하는 단계와,
- 신호 입력값(I1, I2, ..., Im)에 기초한 경험적 모델(NN1, NN2, ..., NNn)에서 가스량(G)을 나타내는 신호 출력값(y1, y2, ..., ym)의 계산을 수행하는 단계와,
- 신호 출력값(y1, y2, ..., ym)을 연속적으로 결합시키고 신호 출력값(y1, y2, ..., ym)의 함수로서 가스량(G)을 나타내는 가상 센서 출력값(yR)을 계산하는 단계를 포함한다.
본 발명의 실시예에서, 모든 경험적 모델(NN1, NN2, ..., NNn)들 또는 내부 노드들은 동일한 구조를 가질 수 있다. 이러한 설정은 필요한 내부 노드 수가 템플릿 노드에 기초하여 가상 센서 시스템에서 간단히 예시될 수 있는 장점을 갖는다. 이 실시예에서, 경험적 모델의 대응하는 입력 및 출력의 포맷은 또한 동일할 수 있고, 즉 경험적 모델(NN1) 상의 입력의 포맷(1)은 경험적 모델(NN2 내지 NNn) 상의 입력의 포맷(1)과 동일한 등의 방식이다.
노드들은 모두 연소 공정의 센서들(S1, S2, ..., Sm)로부터 동일한 세트의 신호 입력값(I1, I2, ..., Im)을 수용하도록 모두 배치될 수 있다. 센서들로부터의 신호들은 모든 노드들에 분배되고, 특정한 케이스를 취급하는 여분의 작업이 회피된다.
경험적 모델링은 이 문헌에서 이미 기술되었고 다른 기술을 이용하여 실행될 수 있다. 본 발명의 실시예에서, 경험적 모델들은 신경 네트워크들이다.
가상 센서 시스템의 조합 펑션(f)은 다양한 기준들에 기초한 가상 센서 출력값(yR)을 계산하도록 배치될 수 있다. 본 발명의 실시예에서, 조합 펑션(f)은 신호 출력값(y1, y2, ..., ym)의 평균값으로 가상 센서 출력값(yR)을 연속적으로 계산하도록 배치된다. 평균값은 신호 출력값(y1, y2, ..., ym)의 기하학적 또는 산술학적 평균값, 중앙값, 또는, 2개의 중간값들의 평균과 같은, 평균값 및 중앙값의 조합으로 계산될 수 있다. 대부분의 경우에서 중앙값 계산을 갖는 본 발명에 따른 가상 센서 시스템의 실행결과는, 중앙값 계산이 사용되는 경우에 개별 노이즈 또는 불균일성에 의해 대체로 영향을 받지 않는다는 사실로 인하여, 평균값 계산보다 더 좋다는 것을 알 수 있다.
이 접근은 신경 네트워크와 같은 경험적 회귀 모델의 실행결과에서 예상될 수 있는 본질적인 변화를 상쇄한다. 이 변화의 기원은, 트레이닝 데이터의 오버피팅의(즉, 데이터 내의 노이즈의 모델링시 얻어지는) 다양한 정도로부터 트레이닝 이전의 신경 네트워크 파라미터의 전형적인 임의적 초기설정으로부터, 그리고 신경 네트워크 모델을 데이터에 피팅하기 위해 사용된 비결정론적 경사도 하강 기술(non-deterministic gradient descent technique)로부터 유래할 수 있다.
도 2는 이들 인자들의 조합으로부터 초래될 수 있는 변화의 종류를 예시하며, 근해의 오일 플랫폼으로부터 배출된 물 내의 잔류 오일 농도를 추정하도록 한 세트의 신경 네트워크 가상 센서 모델들이 개발되었다. 도면은 50개 모델들의 개별 출력치와, 추정된 실제 예상 값과, 50개의 개별 추정치의 앙상블 조합을 예시한다.
본 발명의 실시예에서, 조합 펑션(f)은 경험적 모델(NN1, NN2, ..., NNn)로부터 신호 출력값(y1, y2, ..., ym)에 부가하여 공정 센서(S1, S2, ..., Sm)로부터 직접적으로 하나 이상의 상기 신호 입력값(I1, I2, ..., Im)을 수용하고, 가상 센서 출력값(yR)을 계산하기 위해 배치된다. 본 발명의 이러한 실시예에서, 신호 출력값(y1, y2, ..., ym)은 하나 이상의 신호 입력값(I1, I2, ..., Im)에 기초하여 개별적으로, 동적으로 가중된다. 동적 가중은 하나 이상의 센서 또는 센서로부터의 전송 라인에 관련된 노이즈 및 방해로부터 가상 센서 출력값에 대한 영향을 감소시킬 수 있다. 본 발명의 관련 실시예에서, 조합 펑션(f)은 신호 입력값(I1, I2, ..., Im)을 수용하고 신호 출력값(y1, y2, ..., ym), 신호 입력값(I1, I2, ..., Im) 및 경험적 모델(NNR)의 구조에 기초하여 가상 센서 출력값(yR)을 계산하기 위해 배치된 경험적 모델(NNR)이다.
도 3은 본 발명에 따른 가상 센서 시스템(VS)의 실시예의 실행결과 또는 정밀도가 노드의 개수에 의해 어떻게 증가하는 지를 도시한다. 주어진 적용예에서 가상 센서 시스템을 위한 실행결과 요건은 변화할 수 있고, 불필요한 많은 수의 노드들이 가상 센서 시스템(VS)의 초기설정 공정을 느려지게 할 수 있다. 본 발명의 실시예에서, 가상 센서 시스템(VS)은 특정한 실행결과 기준을 수용하도록 다수의 상기 경험적 모델(NN1, NN2, ..., NNn)을 실증할 수 있도록 배치된다. 본 발명의 실시예에서, 가상 센서 시스템(VS)은 가스량(G)을 나타내는 가상 센서 출력값(yR)의 미리 한정된 실행결과 요건을 달성하도록 요구된 수의 상기 경험적 모델(NN1, NN2, ..., NNn)을 동적으로 할당하기 위해 배치된다. 실행결과 요건은, 예를 들어, ppm(백만당 분율)으로 주어질 수 있다.
본 발명의 실시예에서, 가상 센서 시스템(VS)은 도 10에서 알 수 있는 바와 같이 연결될 수 있다. 여기서, 연소 공정으로부터의 O2가 본 발명에 따른 가상 센서 시스템의 실시예에서 어떻게 추정되는지 도시된다. O2 농도는 연소 챔버 구성, 제8 단계 추출 유동, 블리드 밸브 공기 유동, 연료 유동 및 축방향 압축기 공기 유동에 기초하여 추정된다. 추정된 O2 농도는 이들 추가의 공정 측정값, 즉 플레임 온도, 기압, 주변 습도 및 주변 온도와 함께 NOx 가상 센서 시스템에 대한 입력치로서 사용된다. 가상 센서 시스템의 연결은 경험적 모델의 구조와 시스템의 트레이닝을 단순화시킬 뿐만 아니라 시스템의 실행결과를 향상시킬 수 있다.
다른 앙상블 크기를 이용하는 본 발명의 시험은 앙상블 크기를 증가시킴에 따라 앙상블 실행결과가 향상되는 것을 도시한다. 앙상블 크기를 증가시킴으로써 더 좋은 결과를 단순하게 얻는 이러한 방식은, 예를 들어, 앙상블 선택을 강조하는 다른 방법들과 다르다. 이러한 시험에서, 앙상블 크기는 2개 요소 모델들의 최소값으로부터 59개 요소 모델들의 최대값까지 변화된다. 각각의 앙상블 크기에 대하여, 100개의 개별 시험들이 행해져서, (평균 절대 에러로서 표현된) 최종 실행결과가 계산되었다. 수집된 결과는, 약 20-30개 개체의 앙상블 크기에서 값들이 점점 작아지는 것을 도시하는, 도 3에서 요약된다. 도 8은 700개 이상의 출력치를 갖는 극한 케이스를 도시한다.
PEMS(파라메트릭 방출 모니터링 시스템) 기술은, 원래, 가스 터빈의 질소 산화물(nitrogen oxides)(NOX)을 모니터링하기 위하여 CEMS(연속 방출 모니터링 시스템)에 대한 보다 비용 효율적인 대안을 갖기 위해 개발되었다. CEMS는 물리적 오염 분석기 측정을 이용하여 가스 또는 입자 물질 농도 또는 방출률의 결정을 위해 필요한 전체 장비이다. NOx 방출을 직접적으로 측정하는 대신에, PEMS는 연소 온도, 압력 및 연료 소모와 같은 핵심 작동 파라미터(key operational parameter)로부터 NOx 방출을 계산하므로, 모든 측면에서 가상 센서로서 고려될 수 있다.
본 발명의 실시예에서, 노르웨이의 콘티넨탈 쉘프(Norwegian continental shelf)에서 근해 오일 플랫폼 상에 작동하는 지이 엘엠2500 디엘이(GE LM2500 DLE) 가스 터빈은 방출을 최소화하도록 최적의 파라미터 설정을 식별하도록 맵핑(mapped)되었다. 맵핑을 수행하기 위해서, 물리적 방출 모니터링 장비가 설치되고, 터빈은 최적의 파라미터 설정이 인식되는 부하의 범위에서 구동된다. 결과는 파라미터 설정에 대한 터빈 부하를 맵핑하는 테이블로서 간주할 수 있다.
맵핑하는 동안 터빈이 연속적으로 조정된다는 사실로 인하여, 얻어진 데이터는 PEMS의 구조에 대해서는 이상적이지 않다. 추천된 과정은 터빈 맵핑이 완료된 후에 다른 터빈 부하에서 추가의 데이터를 선택하는 것이지만, 이것은 발생할 수 있는 여분의 비가동 시간 비용으로 인하여 불가능할 수 있다.
얻어진 데이터는 도 4에서 도시되어 있고, 1초 간격으로 샘플링된, % CO2, % O2, ppm CO, ppm THC, ppm NOx, 및 15% O2로 정정된 ppm NOX의 값으로 구성된다.
PEMS 모델링에 대해 사용된 데이터는 측정 장비의 2개의 두드러진 교정들 사이에서의 대략 5시간의 데이터이다.
이러한 실시예에서, 선택된 터빈으로부터의 공정 데이터는 2개의 다른 터빈 제어 시스템들[에이비비(ABB) 및 우드워드(Woodward)]로부터 이용가능하다. 이 데이터는 육상의 히스토리언 데이터 시스템(onshore historian data system)에 대해 단지 부분적으로 반영되었고, 즉 터빈과 관련된 모든 측정들이 육상에서 이용가능하지는 않다.
ABB 시스템으로부터의 대부분의 측정들이 데이터 히스토리언에서 반영되었지만, 우드워드 시스템으로부터의 측정은 제어 시스템을 정지시켜서 재프로그래밍하지 않으면서 반영될 수 없어서 사용될 수 없다. 당해의 터빈에 대하여, 최종적으로 40개의 측정치들이 육상의 공정 히스토리언에서 이용가능하다.
방출 데이터는, 다른 시계를 구비함에 따라 제어시스템 및 육상의 데이터 히스토리언의 타임스탬프(timestamp)에 대응하지 않는 타임스탬프를 갖는, 휴대용 컴퓨터 시스템에서 얻어진다. 방출 데이터 및 공정 데이터를 동기화하기 위해서, 2개의 데이터 시리즈는 교정 지점을 보여주는 도 4에 지시된 바와 같이 공정 및 방출 시간 시리즈 양쪽에서 일치성을 나타내는 현저한 변화들을 육안으로 정합시킴으로써 수동적으로 동기화된다. 이 경우에, 데이터에서 명백한 패턴을 나타낸 터빈 맵핑 활동 때문에 이러한 과정이 가능하다. 다른 경우에, 이 수동 동기화는 수행하기에 매우 어려울 수 있으므로, 사용된 모든 데이터 로깅 장비(data logging equipment)의 시계들의 정확한 동기화가 필요하다.
위에서 기술된 공정 데이터 및 방출 데이터가 주어진 상태로, 대안적인 PEMS 설계 및 구성들을 탐구하기 위해 다수의 시험 PEMS 모델들이 개발되었다. 선택된 터빈에 대하여 이용가능한 모든 공정 측정치들 외에, 10개의 측정치들의 부분집합이 PEMS로의 입력에서 사용되도록 선택된다.
선택된 입력치는 다음과 같다.
■ 연료 가스 공급 압력
■ 가스 발생기 압축기 배출 압력 - PS3
■ 가스 발생기 배출 온도 - T54
■ 동력 터빈 배출 온도
■ 위치설정 연료 가스 조절기 (내부 링)
■ 위치설정 연료 가스 조절기 (파일롯 링)
■ 위치설정 연료 가스 조절기 (외부 링)
■ 위치설정 제8 단계 블리드 밸브
■ 위치설정 CDP 블리드 밸브
■ 가스 발생기 공기 흡입 온도
해당 5 시간의 기간 동안 이들 10개의 측정치들을 위한 대응 시간 시리즈의 관찰이 도 5에 도시되어 있다.
이들 입력치들이 주어진 상태로, PEMS는 본 발명을 이용하여 개발되었고, 여기서 다수의 모델들이 개별적으로 구성되고 이어서 집합된 앙상블 모델로 결합된다. 이 경우에, 앙상블 PEMS 모델은 20개의 개별 PEMS 모델들의 조합이었다.
이들 모델들을 트레이닝하고 시험하기 위해서, 5시간의 공정 및 방출 데이터의 원래 데이터 세트는 트레이닝 세트, 유효 세트 및 시험 세트으로 분할되고, 여기서 트레이닝 세트는 모델들을 구성하도록 사용되고, 유효 세트는 모델링을 제어하도록(즉, 모델들이 트레이닝 세트로 오버피팅하는 것을 회피하도록) 사용되고, 시험 세트는 모델 실행결과를 평가하도록 사용된다.
원래의 데이터 세트를 분할하기 위해서, 데이터의 40%는 트레이닝을 위해 임의로 선택되었고, 데이터의 30%는 유효 세트를 위해 임의로 선택되고, 데이터의 나머지 30%는 시험을 위해 유지되었다.
시험 데이터 세트(즉, 모델을 구성하기 위해서 트레이닝 동안 사용되지 않은 데이터)에 대한 PEMS 실행결과의 결과는 도 6에 도식적으로 도시되고, 0.28472 ppm의 평균 절대 에러가 주어지며, 여기서,
MAE =
Figure pct00001
그리고,
Figure pct00002
는 추정된 값이고,
Figure pct00003
는 모델 추정치이다.
SAC[비-디엘이(non-DLE)] 터빈으로의 응용예를 위한 이러한 PEMS 접근의 가능성을 탐구하기 위해서, 추가적인 시험들이 수행되고, 여기서 2개의 선택된 측정치들(즉, 구형 표준 연소기 SAC 터빈에 이용할 수 없는 2개의 블리드 밸브 위치들)이 빠지고, 단지 8개의 측정치들이 도 7에서 도시된 바와 같은 입력치로서 다루어진다.
이 경우를 위한 시험 데이터 세트에 대한 PEMS 실행결과의 결과들은 도 9에서 도식적으로 도시되고, 0.37453 ppm의 MAE가 주어진다.
8개의 입력치들을 갖는 PEMS의 평균 에러는 모두 10개의 입력치들을 갖는 PEMS의 평균 에러보다 약 30% 높다. 그러나, 절대치의 견지에서, 8개의 입력치 PEMS의 에러는 3 ppm 미만의 [지이 엘엠2500 디엘이(GE LM2500 DLE)와 같은] 저 NOx 터빈을 위한 현재의 정확성 요건에 비교할 때 여전히 낮다.
이 실시예에서, 트레이닝 데이터와 시험 데이터 사이의 높은 유사성이 존재한다. 트레이닝 데이터 및 시험 데이터가 (초기 데이터 세트로부터, 교체 없이, 임의로 추출된 것들을 구비한) 완전하게 분리된 데이터 세트임에도 불구하고, 그들은 동일 시간 시리즈로부터 여전히 얻어지고, 시험 세트에서의 한 지점이 트레이닝 세트에서 매우 유사한 한 지점을 갖는 가능성은 매우 높다. 이러한 점에도 불구하고, 얻어진 0.28 ppm과 요구된 3 ppm 사이의 정밀성의 "여유(margin)"는 이러한 실시예에서 특정 신뢰도를 부여하기에 충분히 크다.
다른 실시예에서, 복수의 모델이 발생되고, 앙상블의 일부분이 되도록 특정한 모델을 선택하기 위해 메카니즘이 사용된다. 이는 정적으로, 즉, 트레이닝 단계 이후에만 최초에 원하지 않는 모델들을 버리든지, 혹은 동적으로, 즉, 현재의 작동 상태가 주어진다면 작동 상태에서 또는 작동 상태 근처에서 증명된 더 좋은 실행결과를 갖는 요소 모델들을 우선시하는 가중 체계를 도입함으로써 이루어진다.
다른 실시예에서, 하이브리드 앙상블 모델들이 사용되며, 즉, 이러한 앙상블들에서는 요소 모델들이 반드시 동일한 형태일 필요가 없으며, 예로서 회귀 모델들 또는 경험적 및 분석적 모델들의 조합뿐만 아니라 신경 네트워크로 구성된다.

Claims (18)

  1. 연소 공정(CP)으로부터 얻어지는 가스량(G)의 추정을 위한 앙상블 기반 가상 센서 시스템(VS)이며,
    - 상기 연소 공정(CP)으로부터 경험적 데이터(ED)를 이용하여 트레이닝 되도록 각각 배치되고, 상기 연소 공정(CP)의 하나 이상의 센서(S1, S2, ..., Sm)로부터 하나 이상의 신호 입력값(I1, I2, ..., Im)을 수용하기 위하여 그리고 상기 신호 입력값(I1, I2, ..., Im)에 기초하여 상기 가스량(G)을 나타내는 신호 출력값(y1, y2, ..., ym)을 계산하기 위하여 또한 배치된 2개 이상의 경험적 모델(NN1, NN2, ..., NNn)들과,
    - 상기 신호 출력값(y1, y2, ..., ym)을 수용하고, 상기 신호 출력값(y1, y2, ..., ym)의 함수로서 상기 가스량(G)을 나타내는 가상 센서 출력값(yR)을 연속적으로 계산하기 위하여 배치된 조합 펑션(f)을 포함하는
    가상 센서 시스템.
  2. 제1항에 있어서,
    모든 상기 경험적 모델(NN1, NN2, ..., NNn)은 동일한 구조를 갖는
    가상 센서 시스템.
  3. 제1항에 있어서,
    모든 상기 경험적 모델(NN1, NN2, ..., NNn)은 동일한 세트의 신호 입력 값(I1, I2, ..., Im)을 수용하기 위해 배치되는
    가상 센서 시스템.
  4. 제1항에 있어서,
    상기 경험적 모델(NN1, NN2, ..., NNn)은 신경 네트워크인
    가상 센서 시스템.
  5. 제1항에 있어서,
    상기 조합 펑션(f)은 상기 신호 출력값(y1, y2, ..., ym)의 평균값으로 상기 가상 센서 출력값(yR)을 연속적으로 계산하기 위해 배치되는
    가상 센서 시스템.
  6. 제1항에 있어서,
    상기 조합 펑션(f)은 하나 이상의 상기 신호 입력값(I1, I2, ..., Im)을 수용하고 가상 센서 출력값(yR)을 계산하기 위하여 배치되며, 상기 신호 출력값(y1, y2, ..., ym)은 상기 하나 이상의 신호 입력값(I1, I2, ..., Im)에 기초하여 동적으로 가중되는
    가상 센서 시스템.
  7. 제1항에 있어서,
    상기 조합 펑션(f)은 하나 이상의 상기 신호 입력값(I1, I2, ..., Im)을 수용하고, 상기 신호 출력값(y1, y2, ..., ym), 상기 신호 입력값(I1, I2, ..., Im) 및 상기 경험적 모델(NNR)의 구조에 기초하여 가상 센서 출력값(yR)을 계산하기 위해 배치된 경험적 모델(NNR)인
    가상 센서 시스템.
  8. 제1항에 있어서,
    상기 센서는 상기 가상 센서 출력값(yR)의 미리 한정된 실행결과 요건을 달성하도록 다수의 상기 경험적 모델(NN1, NN2, ..., NNn)을 실증할 수 있도록 배치되는
    가상 센서 시스템.
  9. 제1항에 있어서,
    연쇄적으로 배치되며, 하나 이상의 상기 센서(S1, S2, ..., Sm)는 가스량(G)의 추정을 위한 앙상블 기반 가상 센서 시스템(VS)인
    가상 센서 시스템.
  10. 하나 이상의 센서(S1, S2, ..., Sm)로부터의 하나 이상의 신호 입력값(I1, I2, ..., Im)으로부터 연소 공정(CP)에서 얻어지는 가스량(G)의 추정을 위한 방법이며,
    - 상기 연소 공정(CP)으로부터의 경험적 데이터로 앙상블의 경험적 모델(NN1, NN2, ..., NNn)을 트레이닝하는 단계와,
    - 트레이닝된 상기 경험적 모델(NN1, NN2, ..., NNn)에 상기 연소 공정(CP)의 하나 이상의 센서(S1, S2, ..., Sm)로부터의 상기 하나 이상의 신호 입력값(I1, I2, ..., Im)을 공급하는 단계와,
    - 상기 신호 입력값(I1, I2, ..., Im)에 기초한 상기 경험적 모델(NN1, NN2, ..., NNn)에서 가스량(G)을 나타내는 상기 신호 출력값(y1, y2, ..., ym)의 계산을 수행하는 단계와,
    - 상기 신호 출력값(y1, y2, ..., ym)을 연속적으로 결합시키고 상기 신호 출력값(y1, y2, ..., ym)의 함수로서 가스량(G)을 나타내는 가상 센서 출력값(yR)을 계산하는 단계를 포함하는
    가스량 추정 방법.
  11. 제10항에 있어서,
    모든 상기 경험적 모델(NN1, NN2, ..., NNn)은 동일한 구조를 갖는
    가스량 추정 방법.
  12. 제10항에 있어서,
    모든 상기 경험적 모델(NN1, NN2, ..., NNn)에 동일한 세트의 신호 입력 값(I1, I2, ..., Im)을 공급하는 단계를 포함하는
    가스량 추정 방법.
  13. 제10항에 있어서,
    상기 경험적 모델(NN1, NN2, ..., NNn)은 신경 네트워크인
    가스량 추정 방법.
  14. 제10항에 있어서,
    상기 신호 출력값(y1, y2, ..., ym)의 평균값으로 가스량(G)을 나타내는 상기 가상 센서 출력값(yR)을 연속적으로 계산하는 단계를 포함하는
    가스량 추정 방법.
  15. 제10항에 있어서,
    하나 이상의 상기 신호 입력값(I1, I2, ..., Im)을 연속적으로 수용하고 가상 센서 출력값(yR)을 계산하는 단계를 포함하며, 상기 신호 출력값(y1, y2, ..., ym)은 상기 하나 이상의 신호 입력값(I1, I2, ..., Im)에 기초하여 동적으로 가중되는
    가스량 추정 방법.
  16. 제10항에 있어서,
    하나 이상의 상기 신호 입력값(I1, I2, ..., Im)을 수용하고, 상기 신호 출력값(y1, y2, ..., ym), 상기 신호 입력값(I1, I2, ..., Im) 및 상기 경험적 모델(NNR)의 구조에 기초한 가상 센서 출력값(yR)을 계산하는 단계를 포함하는
    가스량 추정 방법.
  17. 제10항에 있어서,
    상기 가상 센서 출력값(yR)의 미리 한정된 실행결과 요건에 기초하여 요구된 개수의 상기 경험적 모델(NN1, NN2, ..., NNn)을 계산하는 단계를 포함하는
    가스량 추정 방법.
  18. 제10항에 있어서, 하나 이상의 상기 신호 입력값(I1, I2, ..., Im)에 대해 반복되고, 상기 하나 이상의 신호 입력값 자체는 제11항에 따른 방법으로부터의 가상 센서 출력값(yR)인 가스량 추정 방법.
KR1020107005786A 2007-08-17 2008-08-15 가스 방출의 경험적 앙상블 기반 가상 감지를 위한 시스템 및 방법 KR20100083765A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US93554807P 2007-08-17 2007-08-17
US60/935,548 2007-08-17

Publications (1)

Publication Number Publication Date
KR20100083765A true KR20100083765A (ko) 2010-07-22

Family

ID=40010967

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020107005786A KR20100083765A (ko) 2007-08-17 2008-08-15 가스 방출의 경험적 앙상블 기반 가상 감지를 위한 시스템 및 방법

Country Status (6)

Country Link
US (2) US20110010318A1 (ko)
EP (2) EP2185981A4 (ko)
JP (1) JP2010537192A (ko)
KR (1) KR20100083765A (ko)
CN (1) CN101802728A (ko)
WO (2) WO2009025560A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200094938A (ko) * 2019-01-31 2020-08-10 동서대학교 산학협력단 생성적 대립 네트워크를 이용한 데이터의 불균형 해결방법

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009019691A2 (en) * 2007-08-08 2009-02-12 Yoram Kariv System and method for predictive network monitoring
US8572155B2 (en) * 2007-08-23 2013-10-29 Applied Materials, Inc. Virtual sensors
CN102576436A (zh) * 2009-08-14 2012-07-11 数据书公司 用于将竞争估价模型用于实时广告报价的学习系统
WO2015199911A1 (en) 2014-06-23 2015-12-30 Exxonmobil Upstream Research Company Methods and systems for detecting a chemical species
WO2015199912A1 (en) 2014-06-23 2015-12-30 Exxonmobil Upstream Research Company Image quality enhancement of a differential image for a multiple detector system
EP3158321A1 (en) 2014-06-23 2017-04-26 Exxonmobil Upstream Research Company Systems for detecting a chemical species and use thereof
WO2015199914A1 (en) 2014-06-23 2015-12-30 Exxonmobil Upstream Research Company Methods for calibrating a multiple detector system
AT515154A2 (de) * 2015-03-13 2015-06-15 Avl List Gmbh Verfahren zum Erstellen eines Modell-Ensembles
RU2708303C2 (ru) * 2015-03-25 2019-12-05 ДжиИ ОЙЛ ЭНД ГЭС ЭСП, ИНК. Система и способ управления разработкой месторождения с использованием электрических погружных насосов в качестве виртуальных датчиков
US10260407B2 (en) 2016-02-03 2019-04-16 Cummins Inc. Gas quality virtual sensor for an internal combustion engine
CN106124119B (zh) * 2016-08-01 2019-02-12 中国神华能源股份有限公司 汽机抽汽压力软测量方法
US11940318B2 (en) * 2016-09-27 2024-03-26 Baker Hughes Energy Technology UK Limited Method for detection and isolation of faulty sensors
JP6906058B2 (ja) * 2017-02-24 2021-07-21 エーエスエムエル ネザーランズ ビー．ブイ． 機械学習によるプロセスモデルの決定方法
JP6797780B2 (ja) 2017-11-07 2020-12-09 株式会社東芝 情報処理装置、情報処理方法及びプログラム
CN108593557B (zh) * 2018-03-13 2020-08-11 杭州电子科技大学 基于te-ann-awf移动污染源遥测误差补偿方法
US20190313164A1 (en) 2018-04-05 2019-10-10 Honeywell International Inc. System and method for connected metering
FR3082035B1 (fr) 2018-06-01 2020-06-05 Continental Automotive France Apprentissage automatique predictif pour la prediction d'une frequence de resonance d'un catalyseur de reduction selective des oxydes d'azote
JP2020067762A (ja) * 2018-10-23 2020-04-30 トヨタ自動車株式会社 制御支援装置、機器制御装置、制御支援方法、制御支援プログラム、コンピュータを機能させるための学習済みモデル、および学習済みモデルの生成方法
CN111088998B (zh) * 2019-11-13 2021-09-14 国能信息技术有限公司 煤矿中心站监控系统测试方法、装置及分站模拟系统
CN110852527B (zh) * 2019-11-20 2022-05-31 成都理工大学 一种结合深度学习的储层物性参数预测方法
CN111324988B (zh) * 2020-03-03 2023-08-08 山西西山煤电股份有限公司 基于机器学习的瓦斯超限预警模型构建方法及预警方法
CN112307670A (zh) * 2020-09-29 2021-02-02 中国原子能科学研究院 基于bagging集成神经网络的压水堆堆芯参数预测模型设计方法
US20220269842A1 (en) * 2021-02-19 2022-08-25 Microsoft Technology Licensing, Llc Estimating emissions with virtual sensor models

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2058255C (en) * 1991-12-20 1997-02-11 Roland P. Leaute Recovery and upgrading of hydrocarbons utilizing in situ combustion and horizontal wells
US5386373A (en) * 1993-08-05 1995-01-31 Pavilion Technologies, Inc. Virtual continuous emission monitoring system with sensor validation
US6236908B1 (en) * 1997-05-07 2001-05-22 Ford Global Technologies, Inc. Virtual vehicle sensors based on neural networks trained using data generated by simulation models
US6725208B1 (en) * 1998-10-06 2004-04-20 Pavilion Technologies, Inc. Bayesian neural networks for optimization and control
US6266619B1 (en) * 1999-07-20 2001-07-24 Halliburton Energy Services, Inc. System and method for real time reservoir management
US6758277B2 (en) * 2000-01-24 2004-07-06 Shell Oil Company System and method for fluid flow optimization
US6882929B2 (en) * 2002-05-15 2005-04-19 Caterpillar Inc NOx emission-control system using a virtual sensor
US7927703B2 (en) * 2003-04-11 2011-04-19 3M Innovative Properties Company Adhesive blends, articles, and methods
US7280987B2 (en) 2004-03-26 2007-10-09 Halliburton Energy Services, Inc. Genetic algorithm based selection of neural network ensemble for processing well logging data
US7536232B2 (en) * 2004-08-27 2009-05-19 Alstom Technology Ltd Model predictive control of air pollution control processes
NO327866B1 (no) * 2006-03-09 2009-10-12 Abb Research Ltd En fremgangsmåte for styring og/eller overvåking

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200094938A (ko) * 2019-01-31 2020-08-10 동서대학교 산학협력단 생성적 대립 네트워크를 이용한 데이터의 불균형 해결방법

Also Published As

Publication number Publication date
JP2010537192A (ja) 2010-12-02
WO2009025560A1 (en) 2009-02-26
US20110010318A1 (en) 2011-01-13
EP2185981A1 (en) 2010-05-19
WO2009025561A1 (en) 2009-02-26
CN101802728A (zh) 2010-08-11
US20100325071A1 (en) 2010-12-23
EP2188678A1 (en) 2010-05-26
EP2185981A4 (en) 2012-03-21

Similar Documents

Publication Publication Date Title
KR20100083765A (ko) 가스 방출의 경험적 앙상블 기반 가상 감지를 위한 시스템 및 방법
Zhao et al. Predicting electrical power output of combined cycle power plants using a novel artificial neural network optimized by electrostatic discharge algorithm
Zhou et al. Modeling NOx emissions from coal-fired utility boilers using support vector regression with ant colony optimization
Gu et al. Online adaptive least squares support vector machine and its application in utility boiler combustion optimization systems
CN110580328A (zh) 一种地下水位监测值缺失的修复方法
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN112884243A (zh) 一种基于深度学习和贝叶斯模型的空气质量分析预测方法
NO329798B1 (no) System og fremgangsmate for empirisk ensemblebasert virtuell sensing av svevestovpartikler
Tunckaya et al. Comparative analysis and prediction study for effluent gas emissions in a coal-fired thermal power plant using artificial intelligence and statistical tools
CN109508745A (zh) 基于贝叶斯网络模型的燃气轮机气路故障的检测方法
Rege et al. A simple neural network for estimating emission rates of hydrogen sulfide and ammonia from single point sources
US20060100721A1 (en) Non-linear model with disturbance rejection
WO2007116592A1 (ja) プラントの制御装置
McCulloch et al. Calibrating agent-based models using uncertainty quantification methods
Jakubek et al. Artificial neural networks for fault detection in large-scale data acquisition systems
CN117669895A (zh) 公路工程环境影响评估系统
CN116821695A (zh) 一种半监督神经网络软测量建模方法
Bangert Soft sensors for NOx emissions
Pachauri An emission predictive system for CO and NOx from gas turbine based on ensemble machine learning approach
Chen et al. Gas emission prediction for environmental sustainability via heterogeneous data sources correlation with support vector regression
Roverso Empirical ensemble-based virtual sensing-a novel approach to oil-in-water monitoring
Jeyakkannan et al. Systematic CO2 monitoring using machine learning enabled WSN to develop the anti-hazard strategies for the future
Jain et al. A Learning‐Based Visualization Application for Air Quality Evaluation During COVID’19 Pandemic in Open Data Centric Services
Jackson Use of Bayesian inference and data to improve simulations of multi-physics climate phenomena
Camps Echevarría et al. A proposal to fault diagnosis in industrial systems using bio-inspired strategies

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid