Accurate, real-time access to key p

Accurate, real-time access to key performance indicators (KPIs) is critical to the overall performance of industrial processes. However, in many cases, it is difficult to obtain accurate and timely measurements, due to time delays or external disturbances in industrial processes. Soft sensors are one solution that can provide the necessary process information. This paper proposes a new approach for soft sensor design using Markov random fields (MRF). In which, a Gaussian mixture model (GMM) is firstly used to approximate the joint probability distribution in the soft sensor model, then the expectation maximization (EM) algorithm estimates the GMM parameters. Using this approach, a soft sensor is developed using industrial data for the alumina concentration process in the aluminum electrolysis industry, to show our proposed approach provides accurate estimation of the alumina concentration.

Results (Thai) 1:

ที่ถูกต้อง, การเข้าถึงเวลาจริงเพื่อตัวชี้วัด (KPI) มีความสำคัญต่อประสิทธิภาพโดยรวมของกระบวนการทางอุตสาหกรรม อย่างไรก็ตามในหลายกรณีก็เป็นเรื่องยากที่จะได้รับการวัดที่ถูกต้องและทันเวลาเนื่องจากความล่าช้าเวลาหรือการรบกวนจากภายนอกในกระบวนการทางอุตสาหกรรม เซ็นเซอร์ซอฟท์เป็นหนึ่งในโซลูชั่นที่สามารถให้ข้อมูลกระบวนการที่จำเป็น กระดาษนี้นำเสนอวิธีการใหม่สำหรับการออกแบบเซ็นเซอร์นุ่มใช้มาร์คอฟสาขาสุ่ม (MRF) ซึ่งในส่วนผสมรูปแบบเกาส์ (GMM) ถูกนำมาใช้ในตอนแรกที่ใกล้เคียงกับการกระจายความน่าจะเป็นร่วมกันในรูปแบบเซ็นเซอร์นุ่มแล้วความคาดหวังสูงสุด (EM) ขั้นตอนวิธีการประมาณการค่าพารามิเตอร์ GMM โดยใช้วิธีการนี้เซ็นเซอร์อ่อนได้รับการพัฒนาโดยใช้ข้อมูลอุตสาหกรรมสำหรับกระบวนการความเข้มข้นของอลูมิเนียมในอุตสาหกรรมอิเล็กโทรอลูมิเนียม

Results (Thai) 2:

การเข้าถึงตัวบ่งชี้ประสิทธิภาพหลัก (Kpi) ที่ถูกต้องมีความสำคัญต่อประสิทธิภาพการทำงานโดยรวมของกระบวนการทางอุตสาหกรรม อย่างไรก็ตามในหลายกรณีมันเป็นเรื่องยากที่จะได้รับการวัดที่ถูกต้องและทันเวลาเนื่องจากความล่าช้าของเวลาหรือการรบกวนภายนอกในกระบวนการทางอุตสาหกรรม เซ็นเซอร์อ่อนเป็นหนึ่งในโซลูชันที่สามารถให้ข้อมูลกระบวนการที่จำเป็น กระดาษนี้เสนอวิธีการใหม่สำหรับการออกแบบเซ็นเซอร์อ่อนโดยใช้ Markov ฟิลด์สุ่ม (MRF) ในการที่, รูปแบบผสม Gaussian (GMM) เป็นครั้งแรกที่ใช้ในการประมาณการกระจายความน่าจะเป็นร่วมกันในรูปแบบเซนเซอร์อ่อน, แล้วขั้นตอนวิธีการคาดการณ์สูงเกิน (EM) การประเมินพารามิเตอร์ GMM. ใช้วิธีการนี้, เซ็นเซอร์อ่อนได้รับการพัฒนาโดยใช้ข้อมูลอุตสาหกรรมสำหรับกระบวนการความเข้มข้นของอลูมิเนียมในอุตสาหกรรมกระแสไฟฟ้าอลูมิเนียม, เพื่อแสดงวิธีการที่นำเสนอของเราให้การประเมินที่ถูกต้องของความเข้มข้นของอลูมิ.

Results (Thai) 3:

มันเป็นสิ่งสำคัญที่จะได้รับ KPI ที่ถูกต้องและในเวลาจริง อย่างไรก็ตามในหลายกรณีมันเป็นเรื่องยากที่จะได้รับผลลัพธ์ที่ถูกต้องและทันเวลาเนื่องจากความล่าช้าหรือการรบกวนจากภายนอกในกระบวนการอุตสาหกรรม เซ็นเซอร์อ่อนเป็นโซลูชั่นที่สามารถให้ข้อมูลที่จำเป็นสำหรับกระบวนการ วิธีการวัดนุ่มตาม MRF คือแสดง ประการแรกเราใช้ GMM ประมาณการแจกแจงความน่าจะเป็นร่วมกันในรูปแบบการวัดที่อ่อนนุ่มแล้วเราใช้ขั้นตอนวิธีอีเอ็มเพื่อประเมินพารามิเตอร์ของ GMM ระบบการวัดที่อ่อนนุ่มสำหรับความเข้มข้นของอะลูมินาในอุตสาหกรรมอลูมิเนียม electrolytic ถูกพัฒนาขึ้นโดยการใช้ข้อมูลอุตสาหกรรม