[논문]증류공정 내부 온도 예측을 위한 머신 러닝 모델 개발

권혁원; 오광철; 정용철; 조형태; 김정환

doi:10.14478/ace.2020.1057

초록
AI-Helper

본 연구에서는 증류공정의 제품 생산단 온도 예측을 위한 머신러닝 기반 모델을 개발하였다. 증류공정의 제어는 제품 생산단의 온도를 통해 이루어지고 있어 제어를 위해 정확한 온도 예측이 필요하다. 증류공정에서 온도는 다양한 변수들과 복잡한 비선형의 관계를 형성하고 있으며 시계열 데이터의 특성이 있어 이를 예측하기 위해 순환신경망 기반 알고리즘을 이용하였다. 모델 개발 과정에서 적절한 예측 알고리즘을 선정하기 위해 세 가지 순환신경망 기반 알고리즘과 배치 사이즈 조절하여 제품 생산단 온도를 예측하기 위한 가장 적저한 모델을 선정하였다. LSTM₁₂₈ 모델이 제품 생산단 온도를 예측하기 위한 가장 적절한 모델로 선정되었다. 선정된 모델을 활용하여 실제 공정 운전데이터에 적용한 결과 RMSE 0.0791, R² 0.924의 성능을 보였다.

Abstract ▼ AI-Helper

In this study, we developed a machine learning-based model for predicting the production stage temperature of distillation process. It is necessary to predict an accurate temperature for control because the control of the distillation process is done through the production stage temperature. The tem...

In this study, we developed a machine learning-based model for predicting the production stage temperature of distillation process. It is necessary to predict an accurate temperature for control because the control of the distillation process is done through the production stage temperature. The temperature in distillation process has a nonlinear complex relationship with other variables and time series data, so we used the recurrent neural network algorithms to predict temperature. In the model development process, by adjusting three recurrent neural network based algorithms, and batch size, we selected the most appropriate model for predicting the production stage temperature. LSTM128 was selected as the most appropriate model for predicting the production stage temperature. The prediction performance of selected model for the actual temperature is RMSE of 0.0791 and R2 of 0.924.

주제어

표/그림 (9)

그림 Figure 1. Schematic diagram of distillation column.
그림 Figure 2. Structure of RNN.
그림 Figure 3. The structure of LSTM network.
그림 Figure 4. The structure of GRU network.
표 Table 1. Parameters of Machine Learning Model Development
그림 Figure 5. Result of actual and predicted temperature with LSTM-Adam model.
표 Table 2. A Results of Prediction with RNN Algorithms for Each Batch Size
표 Table 3. A Results of Prediction with LSTM Algorithms for Each Batch Size
표 Table 4. A Results of Prediction with GRU Algorithms for Each Batch Size

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

머신 러닝은 비선형의 복잡한 관계에 있는 데이터를 학습하고 이를 이용하여 변수을 예측할 수 있는 기법이며 특히 RNN, LSTM, GRU 신경망들은 시계열 데이터에 대한 분석을 수행할 때 주로 사용된다. 따라서 본 연구에서는 세 가지 순환신경망 알고리즘을 사용하여 증류공정의 제품 생산단 온도 예측 모델을 개발하였다. 각각의 신경망 알고리즘을 적용한 모델의 예측 성능을 향상시키기 위해 배치사이즈를 조절하였으며 그 결과 LSTM₁₂₈모델이 가장 적절한 모델로 선정되었다.
또한, 각 장치들에서 측정되는 데이터는 시간 지연이 존재하며 이전 시간의 데이터가 다음 시간에 영향을 주는 시계열 데이터이다. 따라서 본 연구에서는 시간 지연을 적용할 수 있으며 시계열 데이터 분석에 적합한 순환신경망을 이용하여 연속 증류공정의 제품 생산단 온도를 예측하는 모델을 개발했다. 대상 증류공정의 온도를 예측하는데 가장 적절한 모델을 선정하기 위해 순환신경망 계열의 세 가지 알고리즘을 비교하고 성능을 평가하였다.
그림에서 알 수 있듯 증류 공정의 주요 장소에 컨트롤러와 센서가 설치되어 있는 것을 알 수 있으며 이 장치들과 연동된 분산제어시스템(distributed control system, DCS)을 통해 데이터가 수집되고 있다. 본 연구에서는 DCS를 통해 수집된 데이터를 통해 머신 러닝 모델의 학습을 진행하여 증류 공정의 제품 생산단 온도를 예측하는 모델을 개발한다. 학습에 사용한 데이터는 2019년 7월 18일~23일 동안 30 s 간격으로 수집된 17162개의 데이터이며 온도 예측에 사용된 변수는 혼합부탄 유량, 재비기 스팀 유량, 탑 하부 압력, 환류량 등이다.
본 연구에서는 증류공정의 제품 생산단 온도 예측을 위한 머신 러닝 기반 모델을 개발하였다. 증류공정의 제어는 제품 생산단 온도를 통해 이루어지고 있으며 이 온도는 공정 내 다양항 변수들과 비선형의 복잡한 관계를 가진다.

제안 방법

두 번째 LSTM (long short term memory)은 RNN의 기울기 소실 문제를 극복하기 위해 제안된 알고리즘이다[12]. 기울기 소실 문제를 해결하기 위해 LSTM은 과거 데이터를 저장하는 메모리 셀을 도입했다. Figure 3은 LSTM의 구조를 나타낸 그림으로 RNN의 구조와 비교했을 때 여러 가지 게이트와 셀이 추가된 것을 확인할 수 있다.
따라서 본 연구에서는 시간 지연을 적용할 수 있으며 시계열 데이터 분석에 적합한 순환신경망을 이용하여 연속 증류공정의 제품 생산단 온도를 예측하는 모델을 개발했다. 대상 증류공정의 온도를 예측하는데 가장 적절한 모델을 선정하기 위해 순환신경망 계열의 세 가지 알고리즘을 비교하고 성능을 평가하였다.
GRU에서는 현재 시간 t에서의 정보 후보 값를 계산하게 되는데 이전 시간 t-1의 은닉층의 정보에 리셋 게이트의 결과를 곱하여 이용한다. 마지막으로 업데이트 게이트의 값과 후보 값을 결합하여 현 시점의 은닉층을 계산한다.
001로 적용하였으며 각 신경망의 히든 유닛은 20개로 설정하여 학습을 진행하였다. 모델 개발 과정에서 예측 성능을 향상시키기 위해 세 가지 모델 알고리즘을 사용하였으며 배치 사이즈에 대한 조절이 이루어졌다. 배치 사이즈는 모델 가중치를 업데이트하는 과정에서 사용되는 데이터의 단위 개수로 이 값에 따라 모델의 성능이 달라져 최적의 크기를 찾는 것이 중요하다.
본 연구에서는 시계열 데이터에 대한 분석이 가능한 세 가지 인공신경망인 RNN, LSTM, GRU를 사용하여 예측을 수행하고 성능 평가를 통해 가장 적절한 신경망을 선정한다.
최적화 기법은 신경망 알고리즘이 데이터를 학습할 때 입력 값과 출력 값을 사용하여 출력 값에 영향을 주는 가중치를 업데이트하는 방법으로 그 방식에 따라 여러 종류가 있다. 신경망의 예측 결과와 실제 결과 사이의 오차를 계산하여 손실함수를 만들고 그 기울기를 이용하여 가중치를 업데이트한다. 출력층의 결과 값과 실제 결과 값 사이의 오차를 손실함수라고 하며 본 연구에서는 손실함수로 평균 제곱 오차(mean squared error, MSE)를 사용했다.

대상 데이터

본 연구의 예측 대상은 혼합부탄으로부터 노말부탄을 생산하는 증류공정의 제품 생산단 온도이며 입력 데이터는 유입되는 혼합부탄 유량, 재비기의 스팀 유량, 환류량, 탑 하부 압력이다. 데이터 수집 기간은 2019년 7월 18일부터 23일까지 30 s 간격으로 센서를 통해 이루어졌으며 총 데이터 개수는 17162개이다. 전체 데이터 중 70%를 학습용 데이터, 30%를 테스트용으로 이용하여 모델 개발을 진행하였다.
본 연구의 대상 공정은 혼합부탄 원료로부터 순도 99% 이상의 노말부탄을 분리하는 증류공정이다. 혼합부탄 원료는 78단 증류탑의 35단으로 유입되도록 설계되었으며 주요 제품인 노말부탄은 64단에서 생산된다.
본 연구의 예측 대상은 혼합부탄으로부터 노말부탄을 생산하는 증류공정의 제품 생산단 온도이며 입력 데이터는 유입되는 혼합부탄 유량, 재비기의 스팀 유량, 환류량, 탑 하부 압력이다. 데이터 수집 기간은 2019년 7월 18일부터 23일까지 30 s 간격으로 센서를 통해 이루어졌으며 총 데이터 개수는 17162개이다.
본 연구에서는 DCS를 통해 수집된 데이터를 통해 머신 러닝 모델의 학습을 진행하여 증류 공정의 제품 생산단 온도를 예측하는 모델을 개발한다. 학습에 사용한 데이터는 2019년 7월 18일~23일 동안 30 s 간격으로 수집된 17162개의 데이터이며 온도 예측에 사용된 변수는 혼합부탄 유량, 재비기 스팀 유량, 탑 하부 압력, 환류량 등이다.
본 연구의 대상 공정은 혼합부탄 원료로부터 순도 99% 이상의 노말부탄을 분리하는 증류공정이다. 혼합부탄 원료는 78단 증류탑의 35단으로 유입되도록 설계되었으며 주요 제품인 노말부탄은 64단에서 생산된다. 증류탑의 상부 생산품은 탑 하부의 생산품과 섞여 노말부탄 순도 75% 이상의 제품으로 생산되도록 운전되고 있다.

데이터처리

개발된 모델을 활용하여 실제 공정 데이터에 대해 예측을 수행하고, 예측 성능을 평가하기 위해 실제 온도와 예측 온도 간의 평균 제곱근 오차(root mean square error, RMSE) 및 결정계수(R²)를 사용하였으며그 식은 다음과 같다.
신경망의 예측 결과와 실제 결과 사이의 오차를 계산하여 손실함수를 만들고 그 기울기를 이용하여 가중치를 업데이트한다. 출력층의 결과 값과 실제 결과 값 사이의 오차를 손실함수라고 하며 본 연구에서는 손실함수로 평균 제곱 오차(mean squared error, MSE)를 사용했다. MSE를 계산하는 식은 다음과 같다.

이론/모형

Figure 5. Result of actual and predicted temperature with LSTM-Adam model.
이동창 인공 신경망 추정기는 단의 온도로부터 제품 조성을 추정하도록 설계되었다. 모델 예측 제어는 증류공정의 제어를 위해 인공 신경망 추정기와 함께 사용되었다[6]. Banerjee와 Jana (2018)은 일정한 제품 순도를 달성하기 위해 확장 일반 모델 제어기와 제어기 시뮬레이션에 필요한 상태 추정을 위해 인공 신경망 모델을 기반으로 관측기를 개발했다[7].
본 연구에서는 시계열 분석을 위한 세 가지 종류의 신경망 모델을 사용하였다. 첫 번째 RNN (recurrent neural networks)은 과거 데이터를 저장하고 시간의 흐름에 따라 전달하여 출력 값 계산에 반영하는 특징을 가지고 있으며 새로운 데이터가 입력될 때마다 반복 적용되기 때문에 순환신경망이라고 한다.
001의 값으로 설정한다. 이러한 알고리즘을 통해 Adam은 모델 파라미터의 최적점을 빠르고 정확하게 수렴시킬 수 있어 본 연구의 최적화 기법으로 사용한다.
Mazinan (2012)는 증류공정 시스템에서 인공 지능(artificial intelligence, AI)을 기반으로 예측 제어 시스템을 제안했다. 인공 신경망 기반 모델을 통해 증류공정의 거동에 대한 정확한 예측을 수행한 후 모델 예측 제어 방법을 이용하여 제어에 활용하였다[9].

성능/효과

따라서 본 연구에서는 세 가지 순환신경망 알고리즘을 사용하여 증류공정의 제품 생산단 온도 예측 모델을 개발하였다. 각각의 신경망 알고리즘을 적용한 모델의 예측 성능을 향상시키기 위해 배치사이즈를 조절하였으며 그 결과 LSTM₁₂₈모델이 가장 적절한 모델로 선정되었다. 선정된 모델을 활용하여 실제 공정 제어에 적용할 수 있는 방법에 대한 연구를 진행하여 효율적인 공정 운전을 할 수 있을 것으로 기대된다.
Raghavan (2011)등은 이상적인 반응 증류공정에 적용 가능한 상태 추정 시스템의 설계 및 구현을 연구하였다. 시스템의 성능을 확인하기 위해 시간 지연을 고려하지 않은 인공신경망과 시간지연을 고려한 순환신경망 기반 모델을 비교하였으며 순환신경망 기반 추정기의 성능이 더 좋음을 보여주었다[11].
RNN 모델에서는 표에서 파란색으로 표시된 배치 사이즈가 256일 때 가장 높은 성능을 보이고 있다. 이는 LSTM, GRU에서도 비슷한 양상으로 나타나고 있으며 LSTM에서 배치 사이즈가 128일 때 가장 높은 예측 성능을 보여 해당 공정 모델에 가장 적합한 모델 (LSTM₁₂₈)로 선정되었다. GRU 모델에서는 배치 사이즈가 256일 때 가장 좋은 성능을 보였다.

후속연구

각각의 신경망 알고리즘을 적용한 모델의 예측 성능을 향상시키기 위해 배치사이즈를 조절하였으며 그 결과 LSTM₁₂₈모델이 가장 적절한 모델로 선정되었다. 선정된 모델을 활용하여 실제 공정 제어에 적용할 수 있는 방법에 대한 연구를 진행하여 효율적인 공정 운전을 할 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인공 신경망을 기반으로 한 예측 모델을 실제 공정에 적용하는 방법은 어떤 두 가지로 나뉘는가?	인공 신경망을 기반으로 한 예측 모델을 실제 공정에 적용하는 방법은 크게 두 가지가 있다. 첫 번째는 공정의 제어기로 사용하는 방법이다. 모델이 제어되고 있는 공정의 역학 관계를 훈련한 다음 공정을 제어하는데 직접 사용한다. 두 번째는 모델 예측 제어(model predicted control, MPC)와 같은 공정을 예측하는 모델을 개발한 후에 공정제어에 적용하는 방법이다. 두 번째 방법이 화학공정의 제어에서 인공 신경망 모델을 적용하는데 더 일반적으로 사용된다[5].
	인공신경망이란 무엇이고, 어떻게 사용될 수 있는가?	인공신경망은 머신 러닝을 수행하기 위한 기법으로, 증류공정에 적용하여 온도를 예측하는 모델 개발에 사용될 수 있다. 인공 신경망을 기반으로 한 예측 모델을 실제 공정에 적용하는 방법은 크게 두 가지가 있다.
	증류공정은 어떻게 수행되야 하는가?	증류공정은 제품의 순도가 요구사양에 부합되도록 운전⋅제어되어야 한다[1]. 제품의 조성은 일반적으로 높은 투자비와 유지비를 가지는 별도의 장치를 통해 측정이 가능하지만 실시간 측정이 어려워 시간지연이 발생하여 제어 성능이 저하될 수 있다.

참고문헌 (18)

V. Singh, I. Gupta, and H. O. Gupta, ANN based estimator for distillation-inferential control, Chem. Eng. Process., 44, 785-795 (2005).

상세보기
R. Senthil, K. Janarthanan, and J. Prakash, Nonlinear state estimation using fuzzy Kalman filter, Ind. Eng. Chem. Res., 45, 8678-8688 (2006).

상세보기
C. Venkateswarlu and S. Avantika. Optimal state estimation of multicomponent batch distillation, Chem. Eng. Sci., 56, 5771-5786 (2001).

상세보기
H. Lee and J. H. Lee, Linear model predictive control of an entrained-flow gasifier for an IGCC power plant, Korean Chem. Eng. Res., 52, 592-602 (2004).
J. C. MacMurray and D. M. Himmelblau, Modeling and control of a packed distillation column using artificial neural networks, Comput. Chem. Eng., 19, 1077-1088 (1995).

상세보기
A. Bahar and O. Canan, Artificial neural network estimator design for the inferential model predictive control of an industrial distillation column, Ind. Eng. Chem. Res., 43, 6102-6111 (2004).

상세보기
S. Banerjee and A. K. Jana, Observer-based extended generic model control of a reactive batch distillation, Chem. Eng. Sci., 179, 185-197 (2018).

상세보기
T. G. das Neves, W. B. Ramos, G. W. de Farias Neto, and R. P. Brito, Intelligent control system for extractive distillation columns, Korean J. Chem. Eng., 35, 826-834 (2018).

상세보기
A. H. Mazinan, A new algorithm to AI-based predictive control scheme for a distillation column system, Int. J. Adv. Manuf. Technol., 66, 1379-1388 (2013).

상세보기
S. Bae and J. Yu, Predicting the real estate price index using deep learning, Korea Real Estate Rev., 27, 71-86 (2017)
S. R. Vijaya Raghavan, T. K. Radhakrishnan, and K. Srinivasan, Soft sensor based composition estimation and controller design for an ideal reactive distillation column, ISA Trans., 50, 61-70 (2011).

상세보기
S. Hochreiter and J. Schmidhuber, Long short-term memory, Neural Comput., 9, 1735-1780 (1997).

상세보기
K. Cho, B. van Merrienboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk, and Y. Bengio, Learning phrase representations using RNN encoder-decoder for statistical machine translation, In Proc. Conference on Empirical Methods in Natural Language Processing, 1724-1734 (2014).
J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, Empirical evaluation of gated recurrent neural networks on sequence modeling, arXiv preprint arXiv:1412.3555 (2014).
R. Jozefowicz, W. Zaremba, and I. Sutskever, An empirical exploration of recurrent network architectures, In: International Conference on Machine Learning, 2342-2350 (2019).
D. P. Kingma and J. L. Ba, Adam: A method for stochastic optimization, arXiv preprint arXiv:1412.6980 (2014).
G. Hinton, N. Srivastava, and K. Swersky, Neural networks for machine learning, Coursera, Video Lectures, 264.1 (2012).
I. Sutskever, J. Martens, G. Dahl, and G. Hinton, On the importance of initialization and momentum in deep learning, In: International Conference on Machine Learning, 1139-1147 (2013).

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

증류공정 내부 온도 예측을 위한 머신 러닝 모델 개발
Development of Machine Learning Model for Predicting Distillation Column Temperature 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (18)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

증류공정 내부 온도 예측을 위한 머신 러닝 모델 개발 Development of Machine Learning Model for Predicting Distillation Column Temperature 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (18)

이 논문을 인용한 문헌

저자의 다른 논문 :

김정환 (12)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

증류공정 내부 온도 예측을 위한 머신 러닝 모델 개발
Development of Machine Learning Model for Predicting Distillation Column Temperature 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper