跳到主要內容

臺灣博碩士論文加值系統

(44.222.104.206) 您好!臺灣時間:2024/05/28 12:54
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:張君詠
研究生(外文):Chun-Yung Chang
論文名稱:應用類神經網路及理論模型於SAN高分子品別轉換之研究
論文名稱(外文):Application of Artificial Neural Networks and Theoretical Models for grade transition in SAN Polymer
指導教授:李豪業
指導教授(外文):Hao-Yeh Lee
口試委員:曾堯宣錢義隆
口試委員(外文):Yao-Hsuan TsengI-Lung Chien
口試日期:2021-06-29
學位類別:碩士
校院名稱:國立臺灣科技大學
系所名稱:化學工程系
學門:工程學門
學類:化學工程學類
論文種類:學術論文
論文出版年:2021
畢業學年度:109
語文別:中文
論文頁數:127
中文關鍵詞:機器學習軟測量器高分子共聚物製程時間序列
外文關鍵詞:machine learningsoft sensorcopolymer processtime series
相關次數:
  • 被引用被引用:0
  • 點閱點閱:85
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
摘要 i
Abstract ii
目錄 iii
圖目錄 vi
表目錄 xi
第1章 緒論 1
1.1 研究背景 1
1.2 文獻回顧 1
1.3 研究動機與目的 14
1.4 組織章節 15
第2章 SAN高分子製程 16
2.1 製程敘述 16
2.2 製程變數分析 18
2.3 製程數據分析 19
第3章 MI預測模型 21
3.1 前言 21
3.2 數據處理 22
3.2.1 搜集數據 22
3.2.2 變數重要度分析 22
3.2.3 數據清理與修正 26
3.2.4 數據前處理 30
3.2.5 數據劃分 31
3.3 類神經網路模型 33
3.3.1 模型選用 33
3.3.2 超參數最適化 34
3.4 建模策略 41
3.5 模擬結果 43
3.5.1 場景切換模型 44
3.5.2 七變數監控模型(電流) 46
3.5.3 七變數監控模型(脫烴槽頂部壓力) 48
3.5.4 八變數監控模型 50
3.5.5 模型穩態測試 52
第4章 濃度估算模型 53
4.1 前言 53
4.2 回收槽進口濃度模型 55
4.2.1 數據處理 55
4.2.2 研究方法 63
4.2.3 建模策略 64
4.2.4 模擬結果 64
4.3 回收槽出口濃度模型 74
4.3.1 理論模型 74
4.3.2 數據處理 76
4.3.3 模擬結果 78
第5章 模型應用 83
5.1 前言 83
5.2 MI預測模型之應用 84
5.2.1 實際應用 84
5.2.2 模型後續應用 85
5.2.3 虛擬控制器建立 88
5.2.4 模擬結果 92
5.3 濃度估算模型之應用 100
5.3.1 實際應用 100
5.3.2 模型後續應用 100
5.3.3 模型建立 103
5.3.4 模擬結果 106
第6章 結論與未來展望 109
6.1 結論 109
6.2 未來展望 110
參考文獻 111
附錄 114
[英文]
1. Åström, K. J., & Hägglund, T. (1984). Automatic tuning of simple regulators with specifications on phase and amplitude margins. Automatica, 20(5), 645-651.
2. Basheer, I. A., & Hajmeer, M. (2000). Artificial neural networks: fundamentals, computing, design, and application. Journal of microbiological methods, 43(1), 3-31.
3. Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of machine learning research, 13(2).
4. Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. arXiv preprint arXiv:1406.1078.
5. Christopher, O. (2015). Understanding LSTM Networks, Retrieved from http://colah.github.io/posts/2015-08-Understanding-LSTMs/ (May 16, 2021)
6. Fernandes, F. A. N., & Lona, L. M. F. (2005). Neural network applications in polymerization processes. Brazilian Journal of Chemical Engineering, 22(3), 401-418.
7. Han, I. S., Han, C., & Chung, C. B. (2005). Melt index modeling with support vector machines, partial least squares, and artificial neural networks. Journal of Applied Polymer Science, 95(4), 967-974.
8. Jumari, N. F., & Yusof, K. M. (2017). Comparison of Melt Flow Index of Propylene Polymerisation in Loop Reactors using First Principles and Artificial Neural Network Models. Chemical Engineering Transactions, 56, 163-168.
9. Kumar, Munna & Tiwari, Awadhesh & Singh, R S. (2015). A comparative study on Tuning of PID controller. Paper presented at the 68th Annual Session of the Indian Institute of Chemical Engineers, Guwahati
10. Mikko Tahkola (2019), Developing Dynamic Machine Learning Surrogate Models of Physics-Based Industrial Process Simulation Models, University of Oulu Faculty of Technology, Finland.
11. Noor, R. M., Ahmad, Z., Don, M. M., & Uzir, M. H. (2010). Modelling and control of different types of polymerization processes using neural networks technique: A review. The Canadian journal of chemical engineering, 88(6), 1065-1084.
12. Schmidhuber, J., & Hochreiter, S. (1997). Long short-term memory. Neural Comput, 9(8), 1735-1780.
13. Seborg, D. E., Mellichamp, D. A., Edgar, T. F., & Doyle III, F. J. (2010). Process dynamics and control. John Wiley & Sons.
14. Seong, A. R., Lee, E. H., Lee, K. N., & Yeo, Y. K. (2009). Modeling and control of the melt index in HDPE process. Korean Journal of Chemical Engineering, 26(1), 7-13.
15. Shahriari, B., Swersky, K., Wang, Z., Adams, R. P., & De Freitas, N. (2015). Taking the human out of the loop: A review of Bayesian optimization. Proceedings of the IEEE, 104(1), 148-175.
16. Sharma, S., & Sharma, S. (2017). Activation functions in neural networks. Towards Data Science, 6(12), 310-316.
17. Shewalkar, A. (2019). Performance evaluation of deep neural networks applied to speech recognition: RNN, LSTM and GRU. Journal of Artificial Intelligence and Soft Computing Research, 9(4), 235-245.
18. Sun, Q., & Ge, Z. (2021). A survey on deep learning for data-driven soft sensors. IEEE Transactions on Industrial Informatics.
19. Yu, T., & Zhu, H. (2020). Hyper-parameter optimization: A review of algorithms and applications. arXiv preprint arXiv:2003.05689.
[中文]
1. Tom (2018)。資料的正規化與標準化。檢自:https://aifreeblog.herokuapp.com/posts/54/data_science_203/ (May 03, 2021)
2. 刘金龙(2016)。SAN 树脂工艺技术浅析。橡塑资源利用,04,20~24
3. 周秉誼(2016)。淺談Deep Learning原理及應用。臺灣大學計資中心電子報,38(期)
4. 羅宇軒(2019)。類神經網路模型應用於實廠SAN高分子製程之研究,碩士論文,台灣科技大學
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊