Un algoritmo de selección de variables de enfoque híbrido basado en información mutua para aplicaciones de sensores blandos industriales basados en datos

Palabras clave: Sensores virtuales, selección de características, información mutua, procesos industriales, basado en datos, columna de destilación

Resumen

El desarrollo de sensores virtuales que predicen el resultado o producto deseado requie- re una cuidadosa selección de variables de entrada para la construcción del modelo. En un entorno industrial, los conjuntos de datos contienen muchas medidas del sistema de instrumentación; sin embargo, estas variables suelen ser información no relevante o excesiva. Este artículo propone un algoritmo de selección de variables basado en el examen de información mutua, el análisis de re- dundancia y la reducción de variables para el modelado de sensores blandos. En la primera etapa se realiza un cálculo de relevancia para seleccionar variables importantes utilizando el criterio de infor- mación mutua. Luego, se realiza la detección y exclusión de variables redundantes, penalizando las variables no deseadas. Finalmente, el subconjunto de variables más relevante se determina a través de un método de envoltura utilizando la métrica Cp de Mallows para evaluar el rendimiento de la pre- dicción de ajuste. El enfoque se aplicó con éxito para estimar la concentración de etanol para un pro- ceso de columna de destilación utilizando una arquitectura de sistema de inferencia difusa basada en red adaptativa como un modelo de regresión dinámica no lineal. Se realizó un estudio comparativo considerando la aplicación del análisis de correlación y el método propuesto en este estudio. Los re- sultados de la simulación muestran la efectividad del enfoque propuesto en la selección de variables proporcionando una reducción en la búsqueda de modelos adecuados que logren resultados más rápidos para el desarrollo de sensores blandos orientados a 

Biografía del autor/a

Jorge E. Cote-Ballesteros, Universidad ECCI

MS Industrial Automation. Universidad ECCI, Bogotá, Colombia.

Victor Hugo Grisales Palacios, Universidad ECCI

PhD. Automated Systems. Universidad Nacional de Colombia, Bogotá, Colombia.

Jhon Edisson Rodriguez-Castellanos, Universidad ECCI

MS Industrial Automation. Universidad ECCI, Bogotá, Colombia.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Jorge E. Cote-Ballesteros, Universidad ECCI

MS Industrial Automation. Universidad ECCI, Bogotá, Colombia.

Victor Hugo Grisales Palacios, Universidad ECCI

PhD. Automated Systems. Universidad Nacional de Colombia, Bogotá, Colombia.

Jhon Edisson Rodriguez-Castellanos, Universidad ECCI

MS Industrial Automation. Universidad ECCI, Bogotá, Colombia.

Referencias Bibliográficas

B. Lin, B. Recke, J. K. H. Knudsen, and S. B. Jørgensen, "A systematic approach for soft sensor development," Comput. Chem. Eng., vol. 31, no. 5-6, pp. 419-425, 2007. doi: https://doi.org/10.1016/j.compchemeng.2006.05.030

P. Kadlec, B. Gabrys, and S. Strandt, "Data-driven Soft Sensors in the process industry," Computers and Chemical Engineering, vol. 33, no. 4. pp. 795-814, 2009. doi: https://doi.org/10.1016/j.compchemeng.2008.12.012

I. Guyon, A. Elisseeff, and A. M. De, "An Introduction to Variable and Feature Selection," J. Mach. Learn. Res., vol. 3, pp. 1157-1182, 2003.

R. Kohavi and G. H. John, "Wrappers for feature subset selection," Artif. Intell., vol. 97, no. 1-2, pp. 273-324, 1997. doi: https://doi.org/10.1016/S0004-3702(97)00043-X

S. Visalakshi and V. Radha, "A literature review of feature selection techniques and applications: Review of feature selection in data mining," 2014 IEEE Int. Conf. Comput. Intell. Comput. Res. IEEE ICCIC 2014, no. 1997, 2015. doi: https://doi.org/10.1109/ICCIC.2014.7238499

L. Fortuna, S. Graziani, and M. G. Xibilia, "Soft sensors for product quality monitoring in debutanizer distillation columns," Control Eng. Pract., vol. 13, no. 4, pp. 499-508, 2005. doi: https://doi.org/10.1016/j.conengprac.2004.04.013

S. B. Chitralekha and S. L. Shah, "Application of support vector regression for developing soft sensors for nonlinear processes," Can. J. Chem. Eng., vol. 88, no. 5, pp. 696-709, 2010. doi: https://doi.org/10.1002/cjce.20363

E. Y. Nagai, L. Valeria, and R. De Arruda, "Soft sensor based on Fuzzy Model indentification."

M. Liukkonen, E. Hälikkä, T. Hiltunen, and Y. Hiltunen, "Dynamic soft sensors for NOx emissions in a circulating fluidized bed boiler," Appl. Energy, vol. 97, no. x, pp. 483-490, 2012. doi: https://doi.org/10.1016/j.apenergy.2012.01.074

A. Rogina, I. Šiško, I. Mohler, Z. ̌ Ujević, and N. Bolf, "Soft sensor for continuous product quality estimation (in crude distillation unit)," Chem. Eng. Res. Des., vol. 89, no. January, pp. 2070-2077, 2011. doi: https://doi.org/10.1016/j.cherd.2011.01.003

X. Yuan, H. Yang, and N. S. Wang, "A method of variables selection for soft sensor based on distributed mutual information," vol. 7, no. 3, pp. 1164-1169, 2015.

F. Souza, R. Araújo, S. Soares, and J. Mendes, "VARIABLE SELECTION BASED ON MUTUAL INFORMATION FOR SOFT SENSORS APPLICATIONS," in Proceedings of the 9th Portuguese Conference on Automatic Control (Controlo 2010), 2009.

Q. Li, X. Du, W. Liu, and W. Ba, "Soft sensor modelling based on mutual information variable selection and partial least squares," Proc. - 2017 Chinese Autom. Congr. CAC 2017, vol. 2017-Janua, pp. 3649-3654, 2017. doi: https://doi.org/10.1109/CAC.2017.8243414

F. Curreri, S. Graziani, and M. G. Xibilia, "Input selection methods for data-driven Soft sensors design: Application to an industrial process," Inf. Sci. (Ny)., 2020. doi: https://doi.org/10.1016/j.ins.2020.05.028

F. Curreri, G. Fiumara, and M. G. Xibilia, "Input selection methods for soft sensor design: A survey," Futur. Internet, vol. 12, no. 6, pp. 1-24, 2020. doi: https://doi.org/10.3390/fi12060097

V. H. Alves Ribeiro and G. Reynoso-Meza, "Feature selection and regularization of interpretable soft sensors using evolutionary multi-objective optimization design procedures," Chemom. Intell. Lab. Syst., vol. 212, no. February, p. 104278, 2021. doi: https://doi.org/10.1016/j.chemolab.2021.104278

T. M. Cover and J. A. Thomas, Elements of Information Theory, Second Edi. Wiley Jhon & sons, 2006.

C. L. Mallows, "Some Comments on Cp," Technometrics, vol. 15, no. November, pp. 87-94, 1973. doi: https://doi.org/10.2307/1267380

R. Battiti, "Using Mutual Information for Selecting Features in Supervised Neural-Net Learning," Ieee Trans. Neural Networks, vol. 5, no. 4, pp. 537-550, 1994. doi: https://doi.org/10.1109/72.298224

H. Peng, F. Long, and C. Ding, "Feature selection based on mutual information: Criteria of Max-Dependency, Max-Relevance, and Min-Redundancy," IEEE Trans. Pattern Anal. Mach. Intell., vol. 27, no. 8, pp. 1226-1238, 2005. doi: https://doi.org/10.1109/TPAMI.2005.159

L. Gao and W. Wu, "Relevance assignation feature selection method based on mutual information for machine learning," Knowledge-Based Syst., vol. 209, p. 106439, Dec. 2020. doi: https://doi.org/10.1016/j.knosys.2020.106439

M. Mittal, S. C. Satapathy, V. Pal, B. Agarwal, L. M. Goyal, and P. Parwekar, "Prediction of coefficient of consolidation in soil using machine learning techniques," Microprocess. Microsyst., vol. 82, p. 103830, Apr. 2021. doi: https://doi.org/10.1016/j.micpro.2021.103830

D. Effrosynidis and A. Arampatzis, "An evaluation of feature selection methods for environmental data," Ecol. Inform., vol. 61, no. January, p. 101224, 2021. doi: https://doi.org/10.1016/j.ecoinf.2021.101224

J. S. R. Jang, "ANFIS: Adaptive-Network-Based Fuzzy Inference System," IEEE Trans. Syst. Man Cybern., vol. 23, no. 3, pp. 665-685, 1993. doi: https://doi.org/10.1109/21.256541

J.-S. R. Jang, "Input selection for ANFIS learning," Proc. IEEE 5th Int. Fuzzy Syst., vol. 2, pp. 1493-1499, 1996.

Cómo citar
Cote-Ballesteros, J. E., Grisales Palacios, V. H., & Rodriguez-Castellanos, J. E. (2022). Un algoritmo de selección de variables de enfoque híbrido basado en información mutua para aplicaciones de sensores blandos industriales basados en datos. Ciencia E Ingeniería Neogranadina, 32(1), 59-70. https://doi.org/10.18359/rcin.5644
Publicado
2022-06-03
Sección
Artículos
Crossref Cited-by logo