چکيده
در اين پژوهش روش هاي مدل سازي حسگرهاي مجازي با استفاده از روش هاي معطوف به هوش مصنوعي مورد بررسي قرار گرفت. تعيين مقدار متغيرهاي مختلف در فرايندهاي شيميايي امري بسيار مهم براي كنترل فرايند و نگه داشت آن در شرايط بهينه مي باشد. اما بعضي از متغيرها را نمي توان با استفاده از امكانات سخت-افزاري اندازه گيري كرد. دلايلي همچون موجود نبودن تكنولوژي مورد نياز براي اندازه گيري، گران بودن تجهيزات موجود و هزينه ي بالاي تعميرات و نگه داري آن ها و يا دقت پايين و تاخير زياد ابزار اندازه گيري سخت افزاري، منجر به استفاده از مدل هايي پيش بيني كننده شده است كه با نام حسگرهاي مجازي در صنايع فرايندي مورد استفاده قرار مي گيرند. براي طراحي اين حسگرها دو روش داده محور بر اساس داده هاي گذشته ي فرايند و مدل محور بر اساس مدل هاي فيزيكي پديده هاي انتقال موجود در فرايند وجود دارد. با توجه به آن كه روش هاي هوش مصنوعي داده محور مي باشند. تمركز اين پژوهش بر روي روش داده محور بوده است. براي روش داده محور از داده هايي استفاده مي شود كه شامل اطلاعات متغيرهاي مخلف فرايند مي باشند. اين داده ها خود چند نوع هستند كه توضيحات مربوط به آن ها به طور مفصل ارائه شده است. همچنين عملياتي كه بايد بر روي اين داده ها انجام شود تا قابل استفاده براي پردازش جهت مدل سازي شوند نيز تشريح شده است. در ادامه با بحث مختصري پيرامون هوش مصنوعي و تاريخچه ي گسترش آن، انواع روش هاي موجود در هوش مصنوعي براي مدل سازي پديده هاي مختلف شرح داده شد همچنين در مورد آخرين روش هاي موجود در اين علم كه مورد استفاده هستند نيز توضيحاتي داده شد. سپس به صورت مطالعه ي موردي، چند نمونه از اين روش ها كه شامل روش هاي يادگيري عميق مي باشند مورد بحث قرار گرفت. روش هاي يادگيري عميق را مي توان به روزترين روش هاي هوش مصنوعي خواند. از اين رو به صورت مطالعه ي موردي، دو مورد از كاربرد استفاده از يادگيري عميق براي طراحي حسگر مجازي براي دو فرايند شيميايي مورد بررسي تفصيلي قرار گرفت. در نيجه مي توان گفت استفاده از روش هاي هوش مصنوعي، به خصوص جديدترين روش هاي موجود كه شامل يادگيري عميق مي باشند، براي هدف طراحي مدل هايي پيش بيني كننده يا اصطلاحا حسگر مجازي بسيار مناسب مي باشد.
