[논문]머신 러닝과 데이터 전처리를 활용한 증류탑 온도 예측

이예찬; 최영렬; 조형태; 김정환

doi:10.9713/kcer.2021.59.2.191

머신 러닝과 데이터 전처리를 활용한 증류탑 온도 예측
Prediction of Distillation Column Temperature Using Machine Learning and Data Preprocessing 원문보기

Korean chemical engineering research = 화학공학, v.59 no.2, 2021년, pp.191 - 199

이예찬 (한국생산기술연구원 친환경재료공정연구그룹) , 최영렬 (한국생산기술연구원 친환경재료공정연구그룹) , 조형태 (한국생산기술연구원 친환경재료공정연구그룹) , 김정환 (한국생산기술연구원 친환경재료공정연구그룹)

초록
AI-Helper

화학 공정의 주요 설비 중 하나인 증류탑은 물질들의 끓는점 차이를 이용하여 혼합물에서 원하는 생산물을 분리하는 설비이며 증류 공정은 많은 에너지가 소비되기 때문에 최적화 및 운전 예측이 필요하다. 본 연구의 대상 공정은 공급처에 따라 원료의 조성이 일정하지 않아 정상 상태로 운전이 어려워 효율적인 운전이 어렵다. 이를 해결하기 위해 데이터 기반 예측 모델을 이용하여 운전 조건을 예측 할 수 있다. 하지만 미가공 공정 데이터에는 이상치 및 노이즈가 포함되어 있어 예측 성능을 향상시키기 위해 데이터 전처리가 필요하다. 본 연구에서는 인공 신경망 모델인 Long short-term memory (LSTM)과 Random forest (RF)를 사용하여 모델을 최적화한 후, 데이터 전처리 방법으로 Low-pass filter와 One-class support vector machine을 사용하여 데이터 전처리 방법 및 범위에 따른 예측 성능을 비교하였다. 각 모델의 예측 성능과 데이터 전처리의 영향은 R2과 RMSE를 사용하여 비교하였다. 본 연구의 결과, 전처리를 통해 LSTM의 경우 R2은 0.791에서 0.977으로 RMSE는 0.132에서 0.029로 각각 23.5%, 78.0% 향상되었고, RF의 경우 R2은 0.767에서 0.938으로 RMSE는 0.140에서 0.050으로 각각 22.3%, 64.3% 향상되었다.

Abstract ▼ AI-Helper

A distillation column, which is a main facility of the chemical process, separates the desired product from a mixture by using the difference of boiling points. The distillation process requires the optimization and the prediction of operation because it consumes much energy. The target process of this study is difficult to operate efficiently because the composition of feed flow is not steady according to the supplier. To deal with this problem, we could develop a data-driven model to predict operating conditions. However, data preprocessing is essential to improve the predictive performance of the model because the raw data contains outlier and noise. In this study, after optimizing the predictive model based long-short term memory (LSTM) and Random forest (RF), we used a low-pass filter and one-class support vector machine for data preprocessing and compared predictive performance according to the method and range of the preprocessing. The performance of the predictive model and the effect of the preprocessing is compared by using R2 and RMSE. In the case of LSTM, R2 increased from 0.791 to 0.977 by 23.5%, and RMSE decreased from 0.132 to 0.029 by 78.0%. In the case of RF, R2 increased from 0.767 to 0.938 by 22.3%, and RMSE decreased from 0.140 to 0.050 by 64.3%.

주제어

표/그림 (20)

그림 Fig. 1. Diagram of distillation column.
그림 Fig. 2. Trend of #64 stage temperature and feedflow.
그림 Fig. 3. Flow chart of model development.
표 Table 1. Pearson's correlation coefficient of the input variables
그림 Fig. 4. Description of noise reduction with LPF.
그림 Fig. 5. Description of anomaly detection with OCSVM.
그림 Fig. 6. Description of machine learning based LSTM.
그림 Fig. 7. Description of machine learning based RF.
표 Table 2. Hyperparameters for LSTM
표 Table 3. Hyperparameters for RF
그림 Fig. 8. The performance according to batch size.
그림 Fig. 9. The performance according to tree number.
표 Table 4. The performance according to batch size
표 Table 5. The performance according to tree number
표 Table 6. Effect of LPF on the predictive performance
그림 Fig. 10. (a) Effect of LPF on the LSTM performance (b) effect of LPF on the RF performance.
그림 Fig. 11. (a) Effect of OCSVM on the LSTM performance (b) effect of OCSVM on the RF performance.
표 Table 7. Effect of OCSVM on the predictive performance
표 Table 8. Effect of data preprocessing on the performance
그림 Fig. 12. Effect of data preprocessing on the predictive performance.

참고문헌 (19)

Kartal, F. and Ozveren, U., "A Deep Learning Approach for Prediction of Syngas Lower Heating Value from CFB Gasifier in Aspen Plus ® ," Energy, 209, 118457(2020).

상세보기
Sneesby, M. G., Tade, M. O., Datta, R. and Smith, T. N., "ETBE Synthesis via Reactive Distillation. 1. Steady-State Simulation and Design Aspects," Ind. Eng. Chem. Res., 36(5), 1855-1869 (1997).

상세보기
Sharma, N. and Singh, K., "Neural Network and Support Vector Machine Predictive Control of Tert-amyl Methyl Ether Reactive Distillation Column," Syst. Sci. Control Eng., 2(1), 512-526(2014).

상세보기
Lee, D. W. and Lee, S. W., "Hourly Prediction of Particulate Matter (PM2.5) Concentration Using Time Series Data and Random Forest," Trans. Softw. Data Eng., 9(4), 129-136(2020).
Vijaya Raghavan, S. R., Radhakrishnan, T. K. and Srinivasan, K., "Soft Sensor Based Composition Estimation and Controller Design for an Ideal Reactive Distillation Column," ISA Trans., 50(1), 61-70(2011).

상세보기
Howsalya Devi, R. D., Bai, A. and Nagarajan, N., "A Novel Hybrid Approach for Diagnosing Diabetes Mellitus Using Farthest First and Support Vector Machine Algorithms," Obes. Med., 17, 100152(2020)

상세보기
Erkus, E. C. and Purutcuoglu, V., "Outlier Detection and Quasiperiodicity Optimization Algorithm: Frequency Domain Based Outlier Detection (FOD)," Eur. J. Oper. Res, 291(2), 560-574(2020).

상세보기
Zhang, R., Zhang, S. and Muthuraman, S, J. J. "One Class Support Vector Machine for Anomaly Detection in the Communication Network Performance Data," 5th WSEAS Int. Conf. Appl. Electromagn. Wirel. Opt. Commun. Tenerife, Spain, December 14-16 (2007).
Kim, J., Park, N. S., Yun, S., Chae, S. H. and Yoon, S., "Application of Isolation Forest Technique for Outlier Detection in Water Quality Data," J. Korean Soc. Environ. Eng., 40(12), 473-480(2018).

상세보기
Guinon, J. L., Ortega, E., Garcia-Anton, J. and Perez-herranz, V., "Moving Average and Savitzki-Golay Smoothing Filters Using Mathcad," International Conference on Engineering Education, July, Coimbra, 1-4(2007).
Guo, H., Yu, M., Liu, J. and Ning, J., "Butterworth Low-pass Filter for Processing Inertial Navigation System Raw Data," J. Surv. Eng., 130(4), 175-178(2004).

상세보기
Panigrahi, S., Karali, Y. S. and Behera, H., "Time Series Forecasting Using Evolutionary Neural Network," Int. J. Comput. Appl., 75(10), 13-17(2013).
Zhang, Z., Wu, Z., Rincon, D. and Christofides, P. D., "Real-time Optimization and Control of Nonlinear Processes Using Machine Learning," Mathematics, 7(10), 1-25(2019).
Oh, K., Kwon, H., Roh, J., Choi, Y., Park, H., Cho, H. and Kim, J., "Development of Machine Learning-Based Platform for Distillation Column," Korean. Chem. Eng. Res., 23(4), 565-572(2020).
Kwon, H., Oh, K., Chung, Y. G., Cho, H. and Kim, J., "Development of Machine Learning Model for Prediction Distillation Column Temperature," Appl. Chem. Eng., 31(5), 520-525(2020).

원문보기 상세보기
Kwon, H., Oh, K., Choi, Y., CHung, Y. G, Kim, J., "Development and Application of Machine Learning-based Prediction Model for Distillation Column, Int. J. Intell. Syst., 36, 1970-1997(2021).

상세보기
Kim, T. J. and Hong, J. S., "Classification of Parent Company's Downward Business Clients Using Random Forest: Focused on Value Chain at the Industry of Automobile Parts," J. Soc. E-bus. Stud., 23(1), 1-22(2018).

원문보기 상세보기
Kim, D. W., Lee, S. C., Kim, M. J., Lee, E. J. and Yoo, C. K., "Development of QSAR Model Based on the Key Molecular Descriptors Selection and Computational Toxicology for Prediction of Toxicity of PCBs," Korean Chem. Eng. Res., 54(5), 621-629(2016).

원문보기 상세보기
Giap, V., Pineda, I. T., Lee, J. Y., Lee, D. K., Kim, Y. S., Ahn, K. Y. and Lee, Y. D., "Performance Prediction Model of Solid Oxide Fuel Cell Stack Using Deep Neural Network Technique, Trans," Korean Hydrog. Energy Soc., 31(5), 436-443(2020).

원문보기 상세보기

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