Использование регрессионного и нейросетевого моделирования в производственном мониторинге промышленного предприятия

Standard

Использование регрессионного и нейросетевого моделирования в производственном мониторинге промышленного предприятия. / Kholova, A. R.; Vozhdaeva, Yu S.; Melnitskiy, I. A.; Kiekbayev, R. I.; Serebryakov, P. V.; Mullodzhanov, T. T.; Beloliptsev, I. I.; Kantor, E. A.

In: ЭКОЛОГИЯ И ПРОМЫШЛЕННОСТЬ РОССИИ, Vol. 25, No. 5, 12.05.2021, p. 58-64.

Research output: Contribution to journal › Article › peer-review

BibTeX

@article{cd2f2777e9ca4b6381b03a3d0a6b2c88,

title = "Использование регрессионного и нейросетевого моделирования в производственном мониторинге промышленного предприятия",

abstract = "Рассмотрены регрессионные и нейросетевые модели для прогноза необходимой дозы коагулянта, зависящей от качества речной воды, подаваемой на водоподготовку, проведен их сравнительный анализ. Для моделирования и прогноза использовались статистические данные, собранные за период с 2005 г. по настоящее время. Регрессионные модели строились на истинных значениях факторов (показателей качества воды) и на их первых разностях для устранения тенденции в рядах. Для моделей, построенных на истинных значениях, подтверждена статистическая значимость, получены высокие значения коэффициентов детерминации, величины ошибок аппроксимации составляют 22–25 %. При нейросетевом моделировании использовались сети типа многослойный персептрон. Ошибка обобщения на тестовом множестве при использовании других типов сетей (RBF-сети, сети Элмана) была существенно выше. Вычислительные эксперименты показали, что в целом точность нейросетевых моделей выше, чем регрессионных. Средняя ошибка обучения составляет 7 –9 %, ошибка на тестовом множестве возрастает до 12–16 %. Достоверность прогноза повышается обучением сети на более свежих данных и использованием большего набора факторов. Выявлено увеличение влияния показателей перманганатной окисляемости и цветности исходной речной воды на дозу реагентов при одновременном снижении степени влияния щелочности за последний пятилетний период. Это подтверждает необходимость периодического обновления данных для построения моделей. Выбраны модели, рекомендованные к внедрению в производственный мониторинг технологии водоподготовки на предприятии.",

keywords = "нейросетевое и регрессионное моделирование, производственный мониторинг, подбор реагентов, Industrial monitoring, Neural network and regression modelling, Selection of reagents",

author = "Kholova, {A. R.} and Vozhdaeva, {Yu S.} and Melnitskiy, {I. A.} and Kiekbayev, {R. I.} and Serebryakov, {P. V.} and Mullodzhanov, {T. T.} and Beloliptsev, {I. I.} and Kantor, {E. A.}",

note = "Funding Information: The work was performed within the framework of the Ministry of Science and Higher Education of the Russian Federation state task in the field of scientific activity, publication number FEUR-2020-0004 {"}Solving urgent problems and researching processes in petrochemical industries accompanied by flows of multiphase media{"}. Publisher Copyright: {\textcopyright} 2021 Izdatel'stvo Kalvis. All rights reserved.",

year = "2021",

month = may,

day = "12",

doi = "10.18412/1816-0395-2021-5-58-64",

language = "русский",

volume = "25",

pages = "58--64",

journal = "ЭКОЛОГИЯ И ПРОМЫШЛЕННОСТЬ РОССИИ",

issn = "1816-0395",

publisher = "НИИ эпидемиологии и микробиологии им.Н.Ф.Гамалея",

number = "5",

}

RIS

TY - JOUR

T1 - Использование регрессионного и нейросетевого моделирования в производственном мониторинге промышленного предприятия

AU - Kholova, A. R.

AU - Vozhdaeva, Yu S.

AU - Melnitskiy, I. A.

AU - Kiekbayev, R. I.

AU - Serebryakov, P. V.

AU - Mullodzhanov, T. T.

AU - Beloliptsev, I. I.

AU - Kantor, E. A.

N1 - Funding Information: The work was performed within the framework of the Ministry of Science and Higher Education of the Russian Federation state task in the field of scientific activity, publication number FEUR-2020-0004 "Solving urgent problems and researching processes in petrochemical industries accompanied by flows of multiphase media". Publisher Copyright: © 2021 Izdatel'stvo Kalvis. All rights reserved.

PY - 2021/5/12

Y1 - 2021/5/12

N2 - Рассмотрены регрессионные и нейросетевые модели для прогноза необходимой дозы коагулянта, зависящей от качества речной воды, подаваемой на водоподготовку, проведен их сравнительный анализ. Для моделирования и прогноза использовались статистические данные, собранные за период с 2005 г. по настоящее время. Регрессионные модели строились на истинных значениях факторов (показателей качества воды) и на их первых разностях для устранения тенденции в рядах. Для моделей, построенных на истинных значениях, подтверждена статистическая значимость, получены высокие значения коэффициентов детерминации, величины ошибок аппроксимации составляют 22–25 %. При нейросетевом моделировании использовались сети типа многослойный персептрон. Ошибка обобщения на тестовом множестве при использовании других типов сетей (RBF-сети, сети Элмана) была существенно выше. Вычислительные эксперименты показали, что в целом точность нейросетевых моделей выше, чем регрессионных. Средняя ошибка обучения составляет 7 –9 %, ошибка на тестовом множестве возрастает до 12–16 %. Достоверность прогноза повышается обучением сети на более свежих данных и использованием большего набора факторов. Выявлено увеличение влияния показателей перманганатной окисляемости и цветности исходной речной воды на дозу реагентов при одновременном снижении степени влияния щелочности за последний пятилетний период. Это подтверждает необходимость периодического обновления данных для построения моделей. Выбраны модели, рекомендованные к внедрению в производственный мониторинг технологии водоподготовки на предприятии.

AB - Рассмотрены регрессионные и нейросетевые модели для прогноза необходимой дозы коагулянта, зависящей от качества речной воды, подаваемой на водоподготовку, проведен их сравнительный анализ. Для моделирования и прогноза использовались статистические данные, собранные за период с 2005 г. по настоящее время. Регрессионные модели строились на истинных значениях факторов (показателей качества воды) и на их первых разностях для устранения тенденции в рядах. Для моделей, построенных на истинных значениях, подтверждена статистическая значимость, получены высокие значения коэффициентов детерминации, величины ошибок аппроксимации составляют 22–25 %. При нейросетевом моделировании использовались сети типа многослойный персептрон. Ошибка обобщения на тестовом множестве при использовании других типов сетей (RBF-сети, сети Элмана) была существенно выше. Вычислительные эксперименты показали, что в целом точность нейросетевых моделей выше, чем регрессионных. Средняя ошибка обучения составляет 7 –9 %, ошибка на тестовом множестве возрастает до 12–16 %. Достоверность прогноза повышается обучением сети на более свежих данных и использованием большего набора факторов. Выявлено увеличение влияния показателей перманганатной окисляемости и цветности исходной речной воды на дозу реагентов при одновременном снижении степени влияния щелочности за последний пятилетний период. Это подтверждает необходимость периодического обновления данных для построения моделей. Выбраны модели, рекомендованные к внедрению в производственный мониторинг технологии водоподготовки на предприятии.

KW - нейросетевое и регрессионное моделирование, производственный мониторинг, подбор реагентов

KW - Industrial monitoring

KW - Neural network and regression modelling

KW - Selection of reagents

UR - http://www.scopus.com/inward/record.url?scp=85106391891&partnerID=8YFLogxK

UR - https://www.mendeley.com/catalogue/7052d087-1023-38bc-a741-1a6ece2194d6/

U2 - 10.18412/1816-0395-2021-5-58-64

DO - 10.18412/1816-0395-2021-5-58-64

M3 - статья

AN - SCOPUS:85106391891

VL - 25

SP - 58

EP - 64

JO - ЭКОЛОГИЯ И ПРОМЫШЛЕННОСТЬ РОССИИ

JF - ЭКОЛОГИЯ И ПРОМЫШЛЕННОСТЬ РОССИИ

SN - 1816-0395

IS - 5

ER -

ID: 84967384