Dissertação
A Benchmark Model to Generate Batch Process Data for Machine Learning Testing and Comparison EVALUATED
Durante a produção, os processos descontínuos geram informação acerca de eventos e valores de série temporal. O primeiro contém as datas de início/fim de produção provenientes do sistema de manufatura e controlo, além de poder conter detalhes acerca da qualidade de produção. Os dados temporais provêm de controladores e sensores contendo informação sobre atrasos/variabilidade do processo. Estes dados são pertinentes para a otimização de decisões no planeamento e programação de lotes. Visto que, os dados de eventos nem sempre são gerados durante a produção, as ferramentas de aprendizagem de máquina (AM) podem ajudar na sua geração. Embora haja repetibilidade em processos descontínuos, o uso destas técnicas é complexo devido ao ruído existente (transiente, estocástico e discreto), falta de qualidade nos dados ou perturbações no processo. O principal objetivo da dissertação é desenvolver um processo descontínuo como caso de estudo em que os desafios, perturbações e ruídos no processo são totalmente controlados. As operações processuais e de limpeza ocorrem num único tanque; as cargas de matérias-primas são controladas por válvulas; e, são utilizadas utilidades quente e fria. A simulação é limitada a balanços de massa, omitindo reações químicas e cinética (não é relevante para a aplicação de AM pretendida). Finalmente, vários cenários foram gerados em que 21 perturbações de diferentes classes, causas e origens são injetadas (isoladas ou combinadas) na implementação do processo. Os cenários foram agrupados em seis ciclos de referência com níveis crescentes de complexidade em termos de intensidade, duração e probabilidade com foco nos principais desafios de AM.
novembro 15, 2021, 17:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
