svm support vector machine recovery boiler n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
SVM(Support Vector Machine) 을 이용한 recovery boiler 에 대한 연구 PowerPoint Presentation
Download Presentation
SVM(Support Vector Machine) 을 이용한 recovery boiler 에 대한 연구

Loading in 2 Seconds...

play fullscreen
1 / 13

SVM(Support Vector Machine) 을 이용한 recovery boiler 에 대한 연구 - PowerPoint PPT Presentation


  • 267 Views
  • Uploaded on

SVM(Support Vector Machine) 을 이용한 recovery boiler 에 대한 연구. 윤영필 , 김미영 , 이창준 , 윤인섭 *. 요약. 비선형성 (non-linearity) 화학공정의 multivariable 에 대한 영향을 알아보기 위해 다변량 통계분석 (multivariate data analysis) 의 하나인 SVM(support vector machine) 을 이용함 .

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'SVM(Support Vector Machine) 을 이용한 recovery boiler 에 대한 연구' - adrienne-burke


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
svm support vector machine recovery boiler

SVM(Support Vector Machine)을 이용한 recovery boiler에 대한 연구

윤영필, 김미영, 이창준, 윤인섭*

Seoul National University

Process Systems & Safety Lab.

slide2
요약
  • 비선형성 (non-linearity) 화학공정의 multivariable에 대한 영향을 알아보기 위해 다변량 통계분석 (multivariate data analysis)의 하나인 SVM(support vector machine)을 이용함.
  • SVM(support vector machine)은 학습속도가 매우 빠르고 입력값의 차원에 영향을 받지 않으므로 비선형 데이터에 용이함.
  • Recovery Boiler의 operation data를 SVM(support vector machine)통해 medeling하고 , 영향을 주는 입력 변수를 산출함.
  • 이를 통해 출력 변수에 영향을 multivariable을 control 할 수 있고, 이를 바탕으로 SVM (support vector machine)를 이용해 비선형성 (non-linearity) 화학공정을 control 할 수 있음.

Seoul National University

Process Systems & Safety Lab.

support vector machine 1
Support Vector Machine(1)

Seoul National University

Process Systems & Safety Lab.

support vector machine 2
Support Vector Machine(2)

1. 명료한 이론적 근거를 기반으로 하여 입력으로부터 어떠한 학습방법을 이용하는가에 대한 직관적인 해석을 제공.

2. 실제 응용 문제에서 높은 인식 성능을 발휘함.

3. 비선형 패턴 인식문제, 함수 회귀문제, HCI(Human –Computer Integration), 인공지능 등의 분야에서 크게 활용되고 있음.

Vapnik에 의해 소개된 강력한 통계방법으로써, 통계적 학습 이론에서 유도한 학습 바이어스를 이용한 학습 알고리즘으로 훈련되는 고차원의 feature space 상의 선형식의 가상공간을 이용한다.

Seoul National University

Process Systems & Safety Lab.

support vector machine 3
Support Vector Machine(3)

의 basis function로 p차원의

에서 m차원으로의 mapping이며,

실제로는 구체적인 형태를 알 필요는 없으므로 널리 알려진 kernel function의 형태를 활용. 본 연구에서는 알려진 kernel function 중 “Polynomial Kernel function”을 이용.

Kernel function

Nonlinear SVM 에서 이용하는 hyperplane equation

Seoul National University

Process Systems & Safety Lab.

support vector machine 4
Support Vector Machine(4)
  • Loss function( -Intensive Loss function)

Linear Regression의 경우,Intensive Loss function, Quadratic Loss function, Huber Loss function을 이용.

Nonlinear Regression의 경우, Intensive Loss function을 이용 →

Support Vector Regression

  • SVM을 Loss function을 이용하여 Regression으로 이용.
  • → Support Vector Regression

Seoul National University

Process Systems & Safety Lab.

slide7

Recovery Boiler 공정(1)

  • 본 연구에서는 Recovery Boiler Process의 data set을 이용하여 SVM을 process modeling과 control에 적용함.
  • Recovery Boiler는 Kraft process의 일부로 나무에서 Cellulose pulp를 생산하는 대표적인 공정이며, wood cooking으로부터 남은 잔여액을 Recovery Boiler에서 태워 steam을 발생시키고 다른 chemical들은 회수함.
  • 본 연구에서는 이 공정의 input variable는 15개로 설정하고 input variable에 따른 output variable(response variable)를 1개로 하여 약 2900여 개의 data variable을 이용함.
  • 이 공정에서 얻어진 data set중 일부를 이용하여 비교적 정확한 model을 구현하고, 이를 바탕으로 Recovery Boiler의 output variable과 이에 영향을 주는 input variable의 관계를 알아봄.

Seoul National University

Process Systems & Safety Lab.

recovery boiler 2
Recovery Boiler 공정(2)

16

15

12,13,14

9.10.11

6,7,8

1,2,3,4

Seoul National University

Process Systems & Safety Lab.

slide9
결과(1)

Training data

SVM Regression

Model

Testing data(Input)

결과 비교! (MSE)

Testing data(output)

Testing data(output)

Seoul National University

Process Systems & Safety Lab.

slide10
결과(2)

실제 값

예측 값

MSE=0.1197

Seoul National University

Process Systems & Safety Lab.

slide11
결과(3)

Training data의 각 변수마다 (–2~2)의 변위를 더해줌.

Model

결과 비교! (MSE)

Testing data(output)

Testing data(output)

각 변수들이 Output에 어느정도 기여하는지 파악하여,

이를 이상진단, 최적화 및 제어에 활용함!!

Seoul National University

Process Systems & Safety Lab.

slide12
결과(4)

각 Input의 변위가 Output에 미치는 영향

1, 4, 5, 15 번 Input이 Output에 큰 영향을 미침.

Seoul National University

Process Systems & Safety Lab.

slide13
결론 및 제언

SVM regression을 이용한 output의 예측이 잘 맞고 있다.

또한, normalization을 이용하여 중요 input을 선별할 수 있다.

이상진단, 최적화, 제어 등에 활용함.

제 언

이상 데이터를 Classification 한 후, 이를 토대로 실제 데이터를 실시간으로 Fault Detection 할 수 있을 것이다. 또한 중요 input을 제어함으로써, Fault Diagnosis에 활용할 수 있을 것이다.

Seoul National University

Process Systems & Safety Lab.