공정자료만을 이용한 모델링 및 최적화에서 Data Reconciliation과 Gross Error Detection

Abstract

공장에서 측정되는 데이터들은 random error 및 gross error와 같은 측정오차를 포함하고 있으며, 이 데이터들은 공정을 설명한는 물질수지식이나 에너지수지식을 만족시키지 못한다. 이와 같은 데이터를 이용하여 공정해석및 최적화를 하기 위하여는 측정치들을 조정하고(data reconciliation),<BR>gross error를 제거해야 하는 문제(gross error detection)가 선행되어야 한다. 이러한 자료 처리 방법으로는 기존에는 수학적, 통계학적 방법들을 많이 이용하고 있으나, 최근에는 인공신경망을 이용하기도 한다. 본 연구에서는 autoassociative neural network(AAN)과 AAN에 견실성을 부여한 Robust AAN을 이용하여 gross error detection과 data reconciliation(GED/DR)을 동시에 수행할 수 있었다. AAN과 RAAN을 CSTR에 적용하여 비교하고, GED/DR에의 적용 가능성을 검증하였다. AAN을 이용한 GED/DR보다 RAAN을 이용하였을 경우의 GED/DR이 더욱 우수한 결과를 보였다. 공정에 대한 수학적 모델이 없이 공정자료만으로 모델링과 최적화를 행하는 data intensive모델링과 최적화기법에서 위의 방법으로 GED/DR이 가능함을 알 수 있었다.