A Parameter tuning method for dynamic process models
| dc.contributor | Aalto-yliopisto | fi |
| dc.contributor | Aalto University | en |
| dc.contributor.advisor | Halmevaara, Kalle | |
| dc.contributor.author | Lehtomäki, Matti | |
| dc.contributor.department | Sähkötekniikan laitos | fi |
| dc.contributor.school | Teknillinen korkeakoulu | fi |
| dc.contributor.school | Helsinki University of Technology | en |
| dc.contributor.supervisor | Lampinen, Jouko | |
| dc.date.accessioned | 2020-12-05T14:39:46Z | |
| dc.date.available | 2020-12-05T14:39:46Z | |
| dc.date.issued | 2009 | |
| dc.description.abstract | Dynaamista prosessisimulointia voidaan hyödyntää koko tehtaan elinkaaren ajan. Simuloinnin avulla voidaan kasvattaa tietämystä systeemin toiminnasta ja parantaa sen suorituskykyä. Tällöin voidaan saavuttaa kustannussäästöjä, parantaa turvallisuutta sekä vähentää ympäristölle aiheutuvaa kuormitusta. Jotta simulointimallit olisivat käyttökelpoisia, tulisi simulointien tarkkuuden olla riittävä. Suuret prosessimallit sisältävät suuren joukon parametreja, joiden arvon määrityksessä joudutaan käyttämään prosessista mitattua aikasarjadataa. Näillä parametreilla voi olla suuri vaikutus simulointien tarkkuuteen. Parametrien lukumäärän kasvaessa esimerkiksi kymmeniin tai satoihin, vaatii niiden arvojen estimointi omat työkalunsa. Tässä työssä kehitetään prosessiteollisuuden dynaamisten simulointimallien parametrien viritysmenetelmä. Menetelmän pohjana on aiemmin kehitetty Iterative Regression Tuning -menetelmä (IRT) ja tässä työssä menetelmästä kehitetään uusi rekursiivinen versio. IRT-menetelmä hyödyntää prosessista mitattua aikasarjadataa, tilastollisia monimuuttujamenetelmiä sekä optimointialgoritmeja. Menetelmäkehitykselle asetetut kolme päätavoitetta ovat menetelmän nopeuttaminen eli sen vaatiman datamäärän pienentäminen, automatisointi mahdollisimman pitkälle sekä menetelmän kehittäminen helppokäyttöisemmäksi. Menetelmä on saatu lähes automaattiseksi. Helppokäyttöisyyttä on pyritty parantamaan pitämällä menetelmäparametrien lukumäärä pienenä sekä antamalla ohjeistus niiden sopivien arvojen valintaan. Menetelmän nopeutta on pyritty parantamaan mm. rekursiivisen mallintamisen avulla sekä tehostamalla koesuunnittelua. Kehitettyä menetelmää on testattu virittämällä lämmönvaihdinsysteemin mallin parametreja. Jotta menetelmälle saadaan vertailukohta, on viritys suoritettu myös toisella optimointimenetelmällä ja tuloksia on verrattu lisäksi IRT-menetelmän aiemmalla versiolla tehtyyn viritykseen. Testauksesta saatujen tulosten perusteella menetelmää voidaan kehittää edelleen. | fi |
| dc.format.extent | 135 (+8) | |
| dc.identifier.uri | https://aaltodoc.aalto.fi/handle/123456789/96671 | |
| dc.identifier.urn | URN:NBN:fi:aalto-2020120555505 | |
| dc.language.iso | fi | en |
| dc.programme.major | Laskennallinen tekniikka | fi |
| dc.programme.mcode | S-114 | fi |
| dc.rights.accesslevel | closedAccess | |
| dc.subject.keyword | dynaaminen simulointi | fi |
| dc.subject.keyword | parametriestimointi | fi |
| dc.subject.keyword | monimuuttujaregressio | fi |
| dc.title | A Parameter tuning method for dynamic process models | en |
| dc.title | Dynaamisten prosessimallien parametrien viritysmenetelmä | fi |
| dc.type.okm | G2 Pro gradu, diplomityö | |
| dc.type.ontasot | Master's thesis | en |
| dc.type.ontasot | Pro gradu -tutkielma | fi |
| dc.type.publication | masterThesis | |
| local.aalto.digiauth | ask | |
| local.aalto.digifolder | Aalto_35891 | |
| local.aalto.idinssi | 38114 | |
| local.aalto.inssilocation | P1 Ark S80 | |
| local.aalto.openaccess | no |