33135

طراحي و شبيه سازي حسگرهاي نرم مبتني بر داده براساس شبكه هاي هوشمند عصبي

كارشناسي ارشد

مهندسي برق-گرايش كنترل

1400

15/07/1403

دكتر سيد مجيد اسماعيل زاده

.

مهندسي برق

يكي از زمينههاي صنعتي كه همواره از اهميت زيادي برخوردار بودهب حوزه فرايندهاي صنعتي ميباشد. ظهور كنترل فرايند پيشرفته در اين حوزه در چند دهه اخير سبب شده كه شركتهاي متعددي در جهت پياده سازي عملي آن برآمده و در نهايت در اين راستا بستههاي صنعتي خود را معرفي كنند. اين بسته هاي صنعتي خود شامل بخشهاي مختلفي از جمله: مدلسازي فرايندب طراحي كنترل كنندهب تخمين برخا متغيرهاي كيفيت و... ميباشند. در اين پاياننامهب طراحي حسگر نرم براي تخمين سختي مغزب سختي سطحب سختي H1ب سختي H2و اخت ف سختي سطح و مغز پيچ با شماره فني خاص توليد شده در يك كارخانه صنعتي صورت گرفته است. بدين منظور تعداد 3385داده (پس از حذف دادههاي پرت) جمع آوري شده است و اين دادهها با استفاده از شبكه عصبي عميو پردازش شدهاند. در نهايت با استفاده از شبكه عصبي عميو با سه لايه نهان و تابع فعالساز lReLUبراي هر سه لايه نهان به نتايجي با دقت مطلوب (از نظر كارفرما) رسيدهايم. لازم به ذكر است كه كليه دادههاي مربوطهب به صورت عملي از يك كارخانه توليد پيچ و مهره مربوط به صنعت خودروسازي جمعآوري شده است و از آنجايي كه تاكنون حسگر نرم براي فرايند عمليات حرارتي يا كوره عمليات حرارتي توسعه داده نشده استب لذا نتايج بدست آمده با نتايج ديگري مقايسه نشده است. اما به عنوان يك پروژه صنعتي كه در آينده امكان پيادهسازي عملي آن نيز وجود داردب از طرف كارفرما روايتنامه مربوط به حسن انجام كار دريافت گرديده است

1403/12/11

Design and simulation of data-driven soft sensors based on intelligent neural networks

1/1/1900 12:00:00 AM

One of the industrial fields that has always been of great importance is the field of industrial processes. The emergence of advanced process control in this field in the last few decades has caused many companies to move towards its practical implementation and eventually introduce their industrial packages in this regard. These industrial packages themselves include various sections such as: process modeling, controller design, online estimation of quality variables, etc. In this thesis, a soft sensor design has been carried out to estimate the hardness of the core, surface hardness, H1 hardness, H2 hardness, and the difference in surface hardness and core hardness of a screw with a specific technical number produced in an industrial factory. For this purpose, 3385 data (after removing outliers) have been collected and these data have been processed using a deep neural network. Finally, using a deep neural network with three hidden layers and the lReLU activation function for all three hidden layers, we have reached results with the desired accuracy (from the employer's point of view). It should be noted that all relevant data were collected practically from a bolt and nut manufacturing plant related to the automotive industry, and since a soft sensor has not been developed for the heat treatment process or heat treatment furnace, the results obtained have not been compared with other results. However, as an industrial project that has the possibility of practical implementation in the future, a letter of satisfaction regarding the good performance of the work has been received from the employer.

حسگر نرم , سختي سنجي , شبكه عصبي عميق , كوره عمليات حرارتي

Soft sensor , hardness measurement , Deep neural network , heat treatment furnace

Armin Safari

Dr. Majid Smaeilzadeh